numpy神经网络实现（3层）

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：