深度学习笔记：06最简单的神经网络

首先先定义三个接口：

class NeuralNetWork:
    def __init__(self):
        #初始化网络接口，设置输入层，中间层，和输出节点数
        pass
    def train(self):
        #根据输入的训练数据更新节点链路权重
        pass
    def query(self):
        #根据输入数据计算并输出答案
        pass

class NeuralNetWork:
    def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate):
    
        #初始化网络，设置输入层，中间隐藏层，输出层节点数
        self.inodes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes

        #设置学习率--是用来调节牛顿下山法时所改变的那个值的幅度。
        self.lr = learningrate
        pass
    def train(self):
        #根据输入的训练数据更新节点链路权重
        pass
    def query(self):
        #根据输入数据计算并输出答案
        pass

创建对象：

input_nodes = 3
hidden_nodes = 3
output_nodes = 3

learning_rate = 0.3
n = NeuralNetWork(input_nodes,hidden_nodes,output_nodes,learning_rate)

import numpy
numpy.random.rand(3,3) - 0.5
#链路上的权重值随机设计到-0.5到+0.5之间

class NeuralNetWork:
    def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate):
    
        #初始化网络，设置输入层，中间隐藏层，输出层节点数
        self.inodes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes

        #设置学习率
        self.lr = learningrate
        '''
        初始化权重矩阵，我们有两个权重矩阵，一个是wih表示输入层和中间层节点链路权重形成的矩阵
        一个是who,表示中间层和输出层间链路权重形成的矩阵
        '''
        self.wih = numpy.random.rand(self.hnodes,self.inodes) - 0.5
        self.who = numpy.random.rand(self.onodes,self.inodes) - 0.5
        pass
    def train(self):
        #根据输入的训练数据更新节点链路权重
        pass
    def query(self,inputs):
        #根据输入数据计算并输出答案
        hidden_inputs = numpy.dot(self.wih,inputs)
        pass

import scipy.special#这个库里包含激活函数
class NeuralNetWork:
    def __init__(self,inputnodes,hiddennodes,outputnodes,learningrate):
        #初始化网络，设置输入层，中间隐藏层，输出层节点数
        self.inodes = inputnodes
        self.hnodes = hiddennodes
        self.onodes = outputnodes

        #设置学习率
        self.lr = learningrate
        '''
        初始化权重矩阵，我们有两个权重矩阵，一个是wih表示输入层和中间层节点链路权重形成的矩阵
        一个是who,表示中间层和输出层间链路权重形成的矩阵
        '''
        #形成input->hiddende的
        self.wih = numpy.random.rand(self.hnodes,self.inodes) - 0.5
        self.who = numpy.random.rand(self.onodes,self.inodes) - 0.5
        
        self.activation_function = lambda x:scipy.special.expit(x)
        #激活函数：expit
        #lambda是把expit函数改名为activation_function
        pass
    def train(self):
        #根据输入的训练数据更新节点链路权重
        pass
    def query(self,inputs):
        #根据输入数据计算并输出答案
        #计算中间层从输入层接收到的信号量
        hidden_inputs = numpy.dot(self.wih,inputs)
        #计算中间层经过激活函数以后形成的输出信号量
        hidden_outputs = self.activation_function(hidden_inputs)
        #计算最外层接收到的信号量
        final_inputs = numpy.dot(self.who,hidden_outputs)
        #计算最外层神经元经过激活函数后输出的信号量
        final_outputs = self.activation_function(final_inputs)
        
        print(final_outputs)
        pass

最后开始测试：

input_nodes = 3
hidden_nodes = 3
output_nodes = 3

learning_rate = 0.3 
n = NeuralNetWork(input_nodes,hidden_nodes,output_nodes,learning_rate)
n.query([1.0,0.5,-1.5])