三、神经网络-三层神经网络的简单实现

 

 

 

 

 

import numpy as np

# sigmoid函数定义
def sigmoid(x):
    return 1 / (1 + np.exp(-x))


#恒等函数：会将输入按原样输出，并将其作为输出层的激活函数
def identity_function(x):
    return x

#进行权重和偏置的初始化，并将它们保存在字典变量network中。
def init_network():
    network = {}
    network['w1'] = np.array([[0.1, 0.3, 0.5], [0.2, 0.4, 0.6]])
    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]])
    network['b2'] = np.array([0.1, 0.2])
    network['w3'] = np.array([[0.1, 0.3], [0.2, 0.4]])
    network['b3'] = np.array([0.1, 0.2])

    return network

#前向传播：表示从输入到输出方向的传递处理。
def forward(network, x):
    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)
    a2=np.dot(z1,w2)+b2
    z2=sigmoid(a2)
    a3=np.dot(z2,w3)+b3
    y=identity_function(a3)

    return y

network=init_network()
x=np.array([1.0,0.5])
y=forward(network,x)
print(y)