python神经网络作用_Python · 神经网络（三）· 网络

(这里是最终成品的 GitHub 地址)

(这里是本章用到的 GitHub 地址)

从这一章开始就要讲第二个核心结构 神经网络(NN)的实现了。这一部分是个有点大的坑，我会尽我所能地一一说明。在这一章里面，我们会说明如何把整个神经网络的结构搭建起来

援引之前用过的一张图：

可以看到，如果不去管接口怎么写的话，因为我们已经处理好了 Layer，所以我们还需要处理的东西其实有一个：处理绿箭头的部分！！！

在我们现在准备实现的朴素结构里面，绿箭头的部分只有两个东西：权重和 偏置量

所以我们就来实现它们~

在贴出代码前，需要先说明一下接下来代码里面的 shape 是个什么东西。事实上，它记录了上一层神经元个数与该层神经元个数。具体而言，有：shape[0] 是上一层神经元个数

shape[1] 是该层神经元个数

从而 shape 这个变量起到了承上启下的重要作用，请观众老爷们把它的定义牢记于心 ( σ'ω')σ

接下来是具体实现(这里用到了一些 tensorflow 的函数，可以暂时先用着)(喂)：

根据 shape 获得初始权重

def _get_w(self, shape):

initial = tf.truncated_normal(shape, stddev=0.1)

return tf.Variable(initial, name="w")

根据 shape 获得初始偏置量

def _get_b(self, shape):

initial = tf.constant(0.1, shape=shape)

return tf.Variable(initial, name="b")

我们再来想一想，在搭建一个网络时，操作顺序是什么？

还是上面那张图，可以看到搭建顺序应该是：加入一个 Layer → 加入绿箭头 → 加入一个 Layer → 加入绿箭头 → ……

所以我们接下来要做的只有两个：加入 Layer和 加入绿箭头(这个人废话怎么这么多)

先讲怎么加入绿箭头、因为加入 Layer 的过程中会用到这一步。相信观众老爷们已经或多或少有些感觉了，这里就直接贴出代码：

def _add_weight(self, shape):

w_shape = shape

b_shape = shape[1],

self._tf_weights.append(self._get_w(w_shape))

self._tf_bias.append(self._get_b(b_shape))

因为很重要所以再提一下(这人好啰嗦)：shape[0] 是上一层神经元个数而 shape[1] 是该层神经元个数。这也是为什么偏置量的形状是 shape[1]

可能观众老爷们注意到了，代码中出现了没见过的 self._tf_weights 和 self._tf_bias。相信大家也都猜到了：这两个列表就是存着所有权重和偏置量的列表，可谓是整个结构的核心之一

再讲怎么加入 Layer。不考虑接口的话，加入 Layer 是一个平凡的过程：

def add(self, layer):

if not self._layers:

self._layers, self._current_dimension = [layer], layer.shape[1]

self._add_weight(layer.shape)

else:

_next = layer.shape[0]

self._layers.append(layer)

self._add_weight((self._current_dimension, _next))

self._current_dimension = _next

解释一下代码的逻辑：如果是第一次加入 Layer 的话，创建一个含有该 Layer 的列表(self._layers)，同时用一个变量(self._current_dimension)把 Layer 的 shape[1] 记录下来(当我们第一次加入 Layer 时，shape[0] 代表着输入数据的维度，shape[1] 代表着第一层神经元的个数)

如果不是第一次加入的话，由于没有考虑接口设计，我们需要作这样的约定：

从第二次加入 Layer 开始，Layer 的 shape 变量都是长度为 1 的元组，其唯一的元素记录的就是该 Layer 中神经元的个数

比如说，如果我想设计一个含有一层隐藏层、24 个神经元的结构，我就要这样做：

nn.add(ReLU((x.shape[1], 24)))

nn.add(CrossEntorpy((y.shape[1], )))这里面出现的 CrossEntropy 是损失函数层(CostLayer)，目前暂时没有讲到、不过它也继承了 Layer，目前来说可以简单地把它看成一个普通的 Layer

在该约定下，上面代码的逻辑就比较清晰了；为简洁，我就不再赘述(其实还是懒)(喂

那么稍微总结一下：朴素的网络结构只需要重复做两件事：加入 Layer 和加入绿箭头。其中，绿箭头的本质是层与层之间的关联，它根据 shape 生成相应的权重和偏置量

一般来说，shape 记录的是上一层的神经元个数和这一层神经元个数(否则它记录的会是这一层神经元的个数)，它起到了重要的承上启下的作用

希望观众老爷们能够喜欢~