深度学习入门 : 基于Python的理论与实现

3.5  输出层的设计 

63

network['b3'] = np.array([0.1, 0.2])

return network

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) # [ 0.31682708 0.69627909]

这里定义了

init_network()

和

forward()

函数。

init_network()

函数会进

行权重和偏置的初始化，并将它们保存在字典变量

network

中。这个字典变

量

network

中保存了每一层所需的参数（权重和偏置）。

forward()

函数中则封

装了将输入信号转换为输出信号的处理过程。

另外，这里出现了

forward

（前向）一词，它表示的是从输入到输出方向

的传递处理。后面在进行神经网络的训练时 ...