《深度学习入门》实现三层神经网络前向传播

最新推荐文章于 2025-05-11 13:37:42 发布

原创最新推荐文章于 2025-05-11 13:37:42 发布 · 488 阅读

0 ·

CC 4.0 BY-SA版权

本文详细介绍了一个使用Python实现的三层神经网络前向传播过程。文章首先定义了sigmoid激活函数，然后初始化了网络的权重和偏置参数。通过定义前向传播函数，实现了从输入层到输出层的数据流动，最后通过一个测试案例展示了网络的运行效果。

使用python实现三层神经网络前向传播推理。

#实现三层神经网络前向传播
import numpy as np
#激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))
#初始化权重和偏置，保存在字典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
#处理前向传播，从输入层到输出层，使用sigmoid激活函数
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 = A3
    return Y
#测试
network = init_network()
x = np.array([1.0,0.01])
y = forward(network,x)
print(y)