呆板学习—前向流传的一样平常实现

可以写一个函数来实现一个麋集的层，那是神经网络的单层，以是界说稠密函数，它将上一层的激活作为输入以及给定层神经元的参数w和b。看下边图片所展示的例子，把全部这些权重向量堆叠成一个矩阵，w=np.array([[1,-3,5][2,4,-6]]),这是一个二乘三的矩阵，第一列是w1，第二列是w2，第三列是w3，假如参数b1=-1，b2=1，b3=2，然后把这三个数字堆叠到一个d数组中，即b=np,array([-1,1,2])，以是，致密函数是将前一层的输入停用，这里可以是即是x的，大概从反面的层激活以及堆叠在列中的W参数，B参数也堆叠成一个一维数组，这个函数要做的是输入上一层的激活，并将输出当前层的激活，以是一步一步地完成如许做的代码，units=W.shape[1],这是代码第一单位即是w.外形1，以是这是一个二乘三矩阵，以是列数是3那即是这一层的单位数，以是units=3,看W的外形，只是找出埋伏单位数量的一种方法大概这一层的单位数，a_out=np.zeros(units)，将A设置为零数组，有多少单位就有多少元素，以是在这个例子中，我们必要输出三个激活值，以是这只是将a初始化为零，[0,0,0]三个零的数组，for j in range(units):，然后，通过一个for循环来盘算第一个A的第二和第三个元素，以是对于范围单位中的j，从0到单位-1，从零开始索引，像往常一样利用python，下令w=w[:,j],这是如安在Python中拉出矩阵的j列，以是第一次通过这个循环，将拉出W的第一列，以是会抽出一个w1_1，当盘算第二个单位的激活时，第二次通过这个循环，拉出w2_2，以此类推第三次通过这个循环，然后通常的公式盘算z=np.dot(w,a_in)+b[j]作为点积，然后盘算a_out[j]=g(z),通过这个循环三次应用于z的Sigmoid函数，盘算了这个激活向量的全部三个值，末了return

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！qidao123.com:ToB企服之家，中国第一个企服评测及软件市场,开放入驻,技术点评得现金