。

看下边图片所展示的例子#xff0c;把所有这些权重向量堆叠成一个矩阵#xff0c;wnp.array([[1,-3,5][2,4,…可以写一个函数来实现一个密集的层那是神经网络的单层所以定义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所有这些权重向量堆叠成一个矩阵wnp.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如果参数b1-1b21b32然后把这三个数字堆叠到一个d数组中即bnp,array([-1,1,2])所以致密函数是将前一层的输入停用这里可以是等于x的或者从后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所以一步一步地完成这样做的代码unitsW.shape[1],这是代码第一单位等于w.形状1所以这是一个二乘三矩阵所以列数是3那等于这一层的单位数所以units3,看W的形状只是找出隐藏单位数量的一种方法或者这一层的单元数a_outnp.zeros(units)将A设置为零数组有多少单元就有多少元素所以在这个例子中我们需要输出三个激活值所以这只是将a初始化为零[0,0,0]三个零的数组for

range(units):然后通过一个for循环来计算第一个A的第二和第三个元素所以对于范围单位中的j从0到单位-1从零开始索引像往常一样使用python命令ww[:,j],这是如何在Python中拉出矩阵的j列所以第一次通过这个循环将拉出W的第一列所以会抽出一个w1_1当计算第二个单元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计算znp.dot(w,a_in)b[j]作为点积然后计算a_out[j]g(z),通过这个循环三次应用于z的Sigmoid函数计算了这个激活向量的所有三个值最后return

a_out稠密函数的作用是输入前一层的激活给定当前层的参数它返回下一层的激活所以给定稠密函数。

为了在神经网络中实现正向支撑需要定义x然后可以将1的激活计算为1所以a与w,b都是相对应的这些都是参数有时也称为第一个隐藏层的权重然后你可以计算a2需要用到a1这是第二个隐藏层的参数或权重然后计算a3和a4如果这是一个有四层的神经网络那么x的最终输出正好等于4W使用大写因为线性代数的符号约定之一是使用大写或大写字母表当它指代矩阵时小写指向量和标量因为这是一个矩阵所以使用大写W。