import numpy as np
def sigmoid(x):
return 1 / (1 + np.exp(-x))
def identity_function(x):
return x # Output layer's activation function: identity function
def init_network():
#初始化网络 (init_network):在这个函数中,我们初始化了网络的权重 (W1, W2, W3) 和偏置 (b1, b2, b3)。
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
def forward(network, x):
#封装将输入信号转换为输出信号的处理过程
#前向传播 (forward):从输入到输出方向的传播。这个函数计算输入 x 通过网络的每一层传播过程。它首先计算每一层的加权输入(np.dot),然后通过激活函数(sigmoid)进行激活,最后经过输出层使用恒等函数(identity_function)。
W1, W2, W3 = network['W1'], network['W2'], network['W3']
b1, b2, b3 = network['b1'], network['b2'], network['b3']
a1 = np.dot(x, W1) + b1 # 计算第一层的加权输入
z1 = sigmoid(a1) # 第一层激活函数(sigmoid)
a2 = np.dot(z1, W2) + b2 # 计算第二层的加权输入
z2 = sigmoid(a2) # 第二层激活函数(sigmoid)
a3 = np.dot(z2, W3) + b3 # 计算第三层的加权输入
y = identity_function(a3) # 输出层的恒等函数
return y
#forward在此结束
network = init_network() # 初始化网络
x = np.array([0.1, 0.5]) # 输入数据
y = forward(network, x) # 进行前向传播
print(y) #[0.31234736 0.6863161 ]
深度学习:3层神经网络的实现 代码实现小结
于 2025-01-16 22:48:17 首次发布