3层神经网络的实现

3层神经网络：

输入层（第0层）有2个神经元x1，x2；第1个隐藏层（第一层）有3个神经元a1，a2，a3；第2个隐藏层（第2层）有2个神经元a1，a2；输出层（第3层）有2个神经元y1，y2及偏置神经元1（及其权重b）。

权重w右下角有两个数字12，表示第1层第2神经元向第2层第1个神经元的索引。顺序：后一层的索引号，前一层的索引号

权重和神经元符号右上角有个（1），代表权重和神经元的层号（第1层权重，第一层神经元）

信息传递函数式：a1 = w11*x1+w12*x2+b1

A = XW + B

A = （a1  a2  a3）

X= （x1  x2）

B= （b1  b2  b3）

W=  ( w11  w21  w31

          w12  w22  w32)

代码：

X = np.array([1.0 , 0.5])

W1 = np.array([0.1,0.3,0.5],[0.2,0.4,0.6])

B1 = np.array([0.1,0.2,0.3])

 

print(W1.shape)          #(2,3)

print(X.shape)            #(2,)

print(B1.shape)        #(3,)

 

A1 = np.dot(X, W1) + B1

 隐藏层的加权（加权信号和偏置的总和）用a表示，被激活的函数转换后的信号用z表示，h（）表示激活函数，使用sigmoid函数

Z1 = sigmoid（A1）

 

print(A1)       #[0.3 , 0.7 , 1.1]

print(Z1)       #[0.57 , 0.67 , 0.75]

=============

def init_network( );

       network = {}

       network['W1'] = np.array([[0.1 , 0.3, 0.5],[0.2, 0.4, 0.6]])

       network['b1'] = np.array([0.1, 0.2, 0.3])

       network['W2'] = np.array([0.1, 0.4], [0.2, 0.5], [0.3, 0.6])

       network['b2'] = np.array([0.1, 0.2])

       network['W3'] = np.array([[0.1, 0.3], [0.2, 0.4]])

       network['b3'] = np.array([0.1, 0.2])

       return network

def forward(network, x):

       W1,W2,W3 = network['W1'],  network['W2'],  network['W3']

       b1, b2, b3 = network['b1'],  network['b2'],  network['b3']

       a1 = np.dot(x, W1) + b1

       z1 = sigmoid(a1)

       a2 = np.dot(z1, W2) + b2

       z2 = sigmoid(a2)

       a2 = np.dot(z1, W2) + b2

       y = indentity_function(a3)

 

        return y

 

network = init_network()

x = np.array([1.0, 0.5])

y = forward(network, x)

print(y)      #[   0.3168  0.69627909]