Нейронную

Проект нейронной сети на Python 
157

---

• инициализация — задание количества входных, скрытых и вы­
ходных узлов;
• тренировка — уточнение весовых коэффициентов в процессе 
обработки предоставленных для обучения сети тренировочных 
примеров;
• опрос — получение значений сигналов с выходных узлов после 
предоставления значений входящих сигналов.
Возможно, в данный момент мы не сможем предложить идеальное 
определение класса, и впоследствии понадобится включить в него 
новые функции, но давайте начнем с этого минимального набора.
Наш начальный код может иметь примерно следующий вид.
# определение класса нейронной сети 
class neuralNetwork:
# инициализировать нейронную сеть
def __init__() :
pass
# тренировка нейронной сети 
def train():
pass
# опрос нейронной сети 
def query():
pass
Для начала довольно неплохо. В действительности это достаточно 
надежный скелет, который в процессе нашей работы будет постепен­
но обрастать плотью в виде работающего кода.
Инициализация сети
Начнем с инициализации. Мы знаем, что нам необходимо задать 
количество узлов входного, скрытого и выходного слоев. Эти данные 
определяют конфигурацию и размер нейронной сети. Вместо того 
чтобы жестко задавать их в коде, мы предусмотрим установку соот­
ветствующих значений в виде параметров во время создания объекта 
нейронной сети. Благодаря этому можно будет без труда создавать 
новые нейронные сети различного размера.
158 
Глава 2. Создаем нейронную сеть на Python

---

В основе нашего решения лежит одно важное соображение. 
Хорошие программисты, ученые-компьютерщики и математики при 
всяком удобном случае стараются писать обобщенный код, не зави­
сящий от конкретных числовых значений. Это хорошая привычка, 
поскольку она вынуждает нас более глубоко продумывать решения, 
расширяющие применимость программы. Следуя ей, мы сможем 
использовать наши программы в самых разных сценариях. В дан­
ном случае это означает, что мы будем пытаться разрабатывать код 
для нейронной сети, поддерживающий как можно больше открытых 
опций и использующий как можно меньше предположений, чтобы 
его можно было легко применять в различных ситуациях. Мы хо­
тим, чтобы один и тот же класс мог создавать как небольшие ней­
ронные сети, так и очень большие, требуя лишь задания желаемых 
размеров сети в качестве параметров.
Кроме того, нам нельзя забывать о коэффициенте обучения. Этот 
параметр также можно устанавливать при создании новой нейрон­
ной сети. Посмотрите, как может выглядеть функция инициализа­
ции __i n i t __ () в подобном случае.
# инициализировать нейронную сеть
def __init__(self, inputnodes, hiddennodes, outputnodes, learningrate):
# задать количество узлов во входном, скрытом и выходном слое 
self.inodes = inputnodes
self.hnodes = hiddennodes 
self.onodes = outputnodes
# коэффициент обучения 
self.lr = learningrate 
pass
Добавим этот код в наше определение класса нейронной сети и по­
пытаемся создать объект небольшой сети с тремя узлами в каждом 
слое и коэффициентом обучения, равным 0,3.
# количество входных, скрытых и выходных узлов 
input_nodes = 3
hidden_nodes = 3 
output_nodes = 3
# коэффициент обучения равен 0,3 
learning_rate = 0.3