Нейронную

часть нейронной сети и служат ее характеристиками на протяжении 
всей ее жизни, а не временным набором данных, которые исчезают 
сразу же после того, как функция отработала. Это означает, что они 
должны быть частью процесса инициализации и быть доступными 
для других методов, таких как функции тренировки и опроса сети.
Ниже приведен код, включая комментарии, который создает две 
матрицы весовых коэффициентов, используя значения переменных 
s e l f .inodes, s e l f .hnodes и s e l f .onodes для задания соответствую­
щих размеров каждой из них.
# Матрицы весовых коэффициентов связей wih (между входным и скрытым
# слоями) и who (между скрытым и выходным слоями).
# Весовые коэффициенты связей между узлом i и узлом j следующего слоя
# обозначены как w_i_j:
# wll w21
# wl2 w22 и т.д.
162 
Глава 2, Создаем нейронную сеть на Python

---

self.wih = (numpy.random.rand(self.hnodes, self.inodes) - 0.5) 
self.who = (numpy.random.rand(self.onodes, self.hnodes) - 0.5)
Великолепная работа! Мы реализовали то, что составляет саму 
сердцевину нейронной сети, — матрицы связей между ее узлами!
По желанию: улучшенный вариант 
инициализации весовых коэффициентов
Описанное в этом разделе обновление кода не является обязатель­
ным, поскольку это всего лишь простое, но популярное усовершен­
ствование процесса инициализации весовых коэффициентов.
В конце главы 1 мы обсуждали различные способы подготовки 
данных и инициализации коэффициентов. Так вот, некоторые пред­
почитают несколько усовершенствованный подход к созданию слу­
чайных начальных значений весов. Для этого весовые коэффициен­
ты выбираются из нормального распределения с центром в нуле и со 
стандартным отклонением, величина которого обратно пропорцио­
нальна корню квадратному из количества входящих связей на узел.
Это легко делается с помощью библиотеки