用 Python 运行神经网络

一个神经网络类

我们在神经网络教程的前一章中学到了关于权重的最重要的事实。我们看到了它们的使用方式以及如何在 Python 中实现它们。我们看到，通过应用矩阵乘法，可以使用 Numpy 中的数组完成权重与输入值的乘法。

然而，我们没有做的是在真实的神经网络环境中测试它们。我们必须先创造这个环境。我们现在将在 Python 中创建一个类，实现一个神经网络。我们将分步进行，以便一切都易于理解。

我们班级需要的最基本的方法是：

• __init__ 初始化一个类，即我们将设置每一层的神经元数量并初始化权重矩阵。
• run：一种应用于我们想要分类的样本的方法。它将此样本应用于神经网络。我们可以说，我们“运行”网络以“预测”结果。此方法在其他实现中通常称为predict.
• train: 该方法获取一个样本和对应的目标值作为输入。如有必要，它可以通过此输入调整重量值。这意味着网络从输入中学习。从用户的角度来看，我们“训练”了网络。在sklearn例如，这种方法被称为fit

我们将把trainandrun方法的定义推迟到以后。权重矩阵应该在__init__方法内部初始化。我们是间接这样做的。我们定义一个方法create_weight_matrices并在__init__. 这样，init 方法就清晰了。

我们还将推迟向层添加偏置节点。

以下 Python 代码包含应用我们在前一章中得出的知识的神经网络类的实现：

导入 numpy的 是 NP
从 scipy.stats 导入 truncnorm

def  truncated_normal ( mean = 0 ,  sd = 1 ,  low = 0 ,  upp = 10 ): 
    return  truncnorm ( 
        ( low  -  mean )  /  sd ,  ( upp  -  mean )  /  sd ,  loc = mean ,  scale = sd )

类 神经网络：
   
    def  __init__ ( self ,  
                 no_of_in_nodes ,  
                 no_of_out_nodes ,  
                 no_of_hidden_​​nodes , 
                 learning_rate ): 
        self 。no_of_in_nodes  =  no_of_in_nodes 
        self 。no_of_out_nodes  =  no_of_out_nodes  
        self 。no_of_hidden_​​nodes  =  no_of_hidden_​​nodes 
        self 。learning_rate  =  learning_rate   
        self . create_weight_matrices ()
        
    def  create_weight_matrices ( self ): 
        rad  =  1  /  np 。SQRT （自我。no_of_in_nodes ）
        X  =  truncated_normal （平均值= 0 ， SD = 1 ， 低= -弧度， UPP =弧度）
        自我。weights_in_hidden  =  X 。RVS （（自我。no_of_hidden_​​nodes ， 
                                       自我。no_of_in_nodes )) 
        rad  =  1  /  np 。SQRT （自我。no_of_hidden_​​nodes ）
        X  =  truncated_normal （平均值= 0 ， SD = 1 ， 低= -弧度， UPP =弧度）
        自我。weights_hidden_​​out  =  X 。RVS （（自我。no_of_out_nodes ， 
                                        自我。no_of_hidden_​​nod