必须会的深度学习基础！吴恩达deeplearning.ai:单个网络层上的前向传播

如果你想要在python之中从头来实现一次前向传播，除了tensorflow和python库之中的内容，你能不能自己来写些呢（甚至比pytorch和tensorflow更好也说不定呢哈哈哈）
以下内容有任何不理解可以翻看我之前的博客哦

---

前向传播——煮咖啡模型（不了解可以看我之前的博客）

我们还是先看煮咖啡模型：

第一层

在python中，我们将使用数组来表示向量和参数，因此只有一个方括号：

x = np.array([200, 17])

你要计算的第一个值一定是第一层的激活值，其中第一个神经元的计算值为：
$$a_1^{[1]}=g(w_1^{[1]}\cdot x+b_1^{[1]})$$
因此，为了计算$a_1^{[1]}$,我们需要有$w_1^{[1]}$和$b_1^{[1]}$：

w1_1 = np.array([1, 2])
b1_1 = np.array([-1])

然后就可以计算：

z1_1 = np.dot(w1_1, x) + b1_1

np.dot()是numpy中的一个库函数，可以用来进行矩阵的乘法运算
根据上面的公式，你就可以算出激活值的第一个数了：

a1_1 = sigmoid(z1_1)

第二、三层

同样地，我们可以算出激活值中的其它两个数：
$$\begin{gathered} a_2^{[1]}=g(w_2^{[1]}\cdot x+b_2^{[1]}) \\ {a}_3^{[1]}=g(w_3^{[1]}\cdot x+b_3^{[1]}) \end{gathered}$$

w1_2 = np.array([-3, 4])
b1_2 = np.array([1])
z1_2 = np.dot(w1_2, x) + b1_2
a1_2 = sigmoid(z1_2)
w1_3 = np.array([5, -6])
b1_3 = np.array([2])
z1_3 = np.dot(w1_3, x) + b1_3
a1_3 = sigmoid(z1_3)

这样，我们就有整个的激活值了：

a1 = np.array（[a1_1, a1_2, a1_3])

最终输出层

最后再看最终输出层：
$$a_1^{[2]}=g(w_1^{[2]}\cdot a^{[1]}+b_1^{[2]})$$

w2_1 = np.array([-7, 8， 9])
b2_1 = np.array([3])
z2_1 = np.dot(w2_1, a1) + b2_1
a2_1 = sigmoid(z2_1）

在原视频中，作者的一些字母标记我认为出现了一些错误，便进行了一些修改，如果仍然有误可以评论区联系我讨论哦。
为了给读者你造成不必要的麻烦，博主的所有视频都没开仅粉丝可见，如果想要阅读我的其他博客，可以点个小小的关注哦。