第十天，三层神经网络的代码实现以及输出层的设计

'''
 用数组来实现深度学习的神经网络的计算，分为输入层，隐藏层，和输出层，参与计算的 有每个神经元的权重，以及偏置，还有
 激活函数，也就是上面的 阶跃函数，sigmoid函数  relu函数 
 计算公式为   Y = XW + B 
'''

def sigmoid_fun(x):     # 激活函数
    return 1 /(1 + np.exp(-x))


X1_in = np.array([0.1,0.2])   #定义2个输入神经元

X2_in = np.array([0.5,0.6,0.7])  # 定义另一个输入神经元

W_1 = np.array([[0.5,0.7,0.9],[1.1,1.3,1.5]])  #定义两个输入神经元的权重

B_1 = np.array([0.7,0.8,0.9])  # 定义一个偏置，偏置的个数和一个输入神经元的权重的个数相等

Y_1 = np.dot(X1_in,W_1) + B_1    # 得出输出层神经元

# 接下来是使用激活函数激活输出神经元
Z_1 = sigmoid_fun(Y_1)

print(Z_1)

'''
以上是 第0层到第一层的神经网络实现方式，如果要实现3层神经网络，则可以使用函数的方式来实现。
理论上 输入层和权重可以有无数个，就像大脑神经一样，四通八达
'''

def  W_init_fun():     #定义一个权重和偏置的初始函数
    dic_init = {}       #定义一个 空的字典，用来保存 权重和偏置  
    dic_init['W1'] = np.array([[0.1,0.2,0.3],[0.4,0.5,0.6]])  
    # 定义一个2维数组作为输入层的权重，意味着输入参数至少要俩个参数