Нейронную

166 
Глава 2. Создаем нейронную сеть на Python

---

Ниже приведен итоговый фрагмент кода, объединяющий расчеты 
сигналов скрытого и выходного слоев.
# рассчитать входящие сигналы для скрытого слоя 
hidden_inputs = nuxnpy.dot(self.wih, inputs)
# рассчитать исходящие сигналы для скрытого слоя 
hidden_outputs = self.activation_function(hidden_inputs)
# рассчитать входящие сигналы для выходного слоя 
final_inputs = numpy. dot (self. w h o , hidcLen_outputs)
# рассчитать исходящие сигналы для выходного слоя 
final_outputs = self.асtivation_function(final_inputs)
Если отбросить комментарии, здесь всего четыре строки кода, вы­
деленные полужирным шрифтом, которые выполняют все необходи­
мые расчеты: две — для скрытого слоя и две — для выходного слоя.
Текущее состояние кода
Сделаем паузу и переведем дыхание, чтобы посмотреть, как вы­
глядит в целом код, который мы к этому времени создали. А выгля­
дит он так.
# определение класса нейронной сети 
class neuralNetwork:
# инициализировать нейронную сеть
def __init__(self, inputnodes, hiddennodes, outputnodes,
b
 learningrate):
# задать количество узлов во входном, скрытом и выходном слое 
self.inodes = inputnodes
self.hnodes = hiddennodes 
self.onodes = outputnodes
# Матрицы весовых коэффициентов связей wih и who.
# Весовые коэффициенты связей между узлом i и узлом j
# следующего слоя обозначены как w__i__j:
# wll w21
# wl2 w22 и т.д.
self.wih = numpy.random.normal(0.0, pow(self.hnodes, -0.5), 
^(self.hnodes, self.inodes))
self.who = numpy.random.normal(0.0, pow(self.onodes, -0.5), 
b
(self.onodes, self.hnodes))
# коэффициент обучения
Проект нейронной сети на Python 
167

---

self.lr = learningrate
# использование сигмоиды в качестве функции активации 
self.activation_function = lambda x: scipy.special.expit(x)