Python实现一个简单三层神经网络的搭建并测试

python实现一个简单三层神经网络的搭建（有代码）

  废话不多说了，直接步入正题，一个完整的神经网络一般由三层构成：输入层，隐藏层（可以有多层）和输出层。本文所构建的神经网络隐藏层只有一层。一个神经网络主要由三部分构成（代码结构上）：初始化，训练，和预测。首先我们先来初始化这个神经网络吧！

1.初始化

• 我们所要初始化的内容包括：神经网络每层上的神经元个数（这个是根据实际问题输入输出而得到的，我们将它设置为一个可自定义量）。
• 不同层间数据互相传送的权重值。
• 激活函数（模拟自然界的神经元，刺激信号需要达到一定的程度才能激活神经元）

下面上代码：

 def __init__(self, input_nodes_num, hidden_nodes_num, output_nodes_num, lr):
        # 初始化神经元个数，可以直接修改
        self.input_nodes = input_nodes_num
        self.hidden_nodes = hidden_nodes_num
        self.output_nodes = output_nodes_num
        self.learning_rate = lr

        # 初始化权重值，利用正态分布函数进行随机初始化，均值为0，方差为神经元个数开方
        self.w_input_hidden = numpy.random.normal(0.0, pow(self.hidden_nodes, -0.5),
                                                  (self.hidden_nodes, self.input_nodes))
        self.w_hidden_output = numpy.random.normal(0.0, pow(self.output_nodes, -0.5),
                                                   (self.output_nodes, self.hidden_nodes))
        # 初始化激活函数，激活函数选用Sigmoid函数，更加平滑，接近自然界的神经元行为模式
        # lambda定义了一个匿名函数
        self.activation_function = lambda x: scipy.special.expit(x)
        pass

  下面我们来解释一下上述代码段中的一些编程知识。首先是__init__()它是一个类的构造函数，在构建一个类的对象时会调用此函数，所以我们将神经网络初始化相关代码放到这个函数里。

self.w_input_hidden = numpy.random.normal(0.0, pow(self.hidden_nodes, -0.5),
                                                  (self.hidden_nodes, self.input_nodes))