Нейронную

nu m py. 
Опять-таки, 
в отношении поиска онлайновой документации Google незаменим. 
Функция 
nu m py. r a n d o m . n o r m a l
() описана по такому адресу:
https://docs.scipy.org/doc/numpy-1.10.1/reference/ 
generated/numpy.random.normal.html
Она поможет нам с извлечением выборки из нормального распре­
деления. Ее параметрами являются центр распределения, стандарт­
ное отклонение и размер массива 
numpy, 
если нам нужна матрица 
случайных чисел, а не одиночное число.
Обновленный код инициализации весовых коэффициентов будет 
выглядеть примерно так.
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),
^(self.onodes, self.hnodes))
Как видите, центр нормального распределения установлен здесь 
в 0,0. Стандартное отклонение вычисляется по количеству узлов
Проект нейронной сети на Python 
163

---

в следующем слое с помощью функции 
p o w ( s e l f . h n o d e s , - 0 . 5 )
, ко­
торая просто возводит количество узлов в степень -0 ,5 . Последний 
параметр определяет конфигурацию массива 
numpy.
Опрос сети
Казалось бы, логично начать с разработки кода, предназначенного 
для тренировки нейронной сети, заполнив инструкциями функцию 
t r a i n ( )
, которая на данном этапе пуста, но мы отложим ее на время 
и займемся более простой функцией 
q u e r y ( )
. Благодаря этому мы 
постепенно приобретем уверенность в своих силах и получим опыт 
в использовании как языка Python, так и матриц весовых коэффи­
циентов в объекте нейронной сети.
Функция 
q u e r y
() принимает в качестве аргумента входные дан­
ные нейронной сети и возвращает ее выходные данные. Все доволь­
но просто, но вспомните, что для этого нам нужно передать сигналы 
от узлов входного слоя через скрытый слой к узлам выходного слоя 
для получения выходных данных. При этом, как вы помните, по мере 
распространения сигналов мы должны сглаживать их, используя ве­
совые коэффициенты связей между соответствующими узлами, а так­
же применять сигмоиду для уменьшения выходных сигналов узлов.
В случае большого количества узлов написание для каждого из 
них кода на Python, осуществляющего сглаживание весовых коэф­
фициентов, суммирование сигналов и применение к ним сигмоиды, 
превратилось бы в сплошной кошмар.
К счастью, нам не нужно писать детальный код для каждого узла, 
поскольку мы уже знаем, как записать подобные инструкции в прос­
той и компактной матричной форме. Ниже показано, как можно по­
лучить входящие сигналы для узлов скрытого слоя путем сочетания 
матрицы весовых коэффициентов связей между входным и скрытым 
слоями с матрицей входных сигналов: