numpy神经网络实现(3层)
神经网络结构图
本次代码的输出为恒等输出,没有经过如softmax函数的修正。
'''
numpy中*表示对应位置相乘,dot为矩阵乘法
'''
import numpy as np
A=np.array([[1,2,3],[4,5,6]])
B=np.array([[1,2],[3,4],[5,6]])
print(np.dot(A,B))
#神经网络内积(此处省 略偏置和激活函数)
X=np.array([1,2])
W=np.array([[1,3,5],[2,4,6]])
Y=np.dot(X,W)
print(Y)
#神经网络代码实例(激活函数为sigmoid),网络为3层
def init_network(): #设置权重和偏置量
network={}
network['W1']=np.array([[0.1,0.3,0.5],[0.2,0.4,0.6]]) #第0层由两个神经元
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]]) #第一层由3个神经元
network['b2']=np.array([0.1,0.2])
network['W3']=np.array([[0.1,0.3],[0.2,0.4]]) #第二层有两个神经元
network['b3']=np.array([0.1,0.2])
return network
def sigmoid(x): #激活函数设置
return 1/(1+np.exp(-x)) #1/(1+exp(-x)) sigmoid函数
def forward(network,x): #每个神经元之间的计算
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) #z1经过激活函数成为下一层的输出,注意z和a都是数组
a2=np.dot(z1,W2)+b2
z2=sigmoid(a2)
a3=np.dot(z2,W3)+b3
y=a3
return y
network=init_network()
x=np.array([1,0.5]) #输入的x1和x2
y=forward(network,x)
print(y)
结果: