Нейронную

def train(self, inputs_list, targets_list)
170 
Глава 2, Создаем нейронную сеть на Python

---

Список t a r g e t s _ l i s t преобразуется в массив точно так же, как 
список in p u t_ lis t:
targets = numpy.array(targets_list, ndmin=2).T
Теперь мы очень близки к решению основной задачи тренировки 
сети — уточнению весов на основе расхождения между расчетными 
и целевыми значениями.
Будем решать эту задачу поэтапно.
Прежде всего, мы должны вычислить ошибку, являющуюся разнос­
тью между желаемым целевым выходным значением, предоставлен­
ным тренировочным примером, и фактическим выходным значением. 
Она представляет собой разность между матрицами (targets - fin a l_
outputs), рассчитываемую поэлементно. Соответствующий код выгля­
дит очень просто, что еще раз подтверждает мощь и красоту матрич­
ного подхода.
I ошибка = целевое значение - фактическое значение 
output_errors = targets - final_outputs
Далее мы должны рассчитать обратное распространение ошибок 
для узлов скрытого слоя. Вспомните, как мы распределяли ошибки 
между узлами пропорционально весовым коэффициентам связей, 
а затем рекомбинировали их на каждом узле скрытого слоя. Эти вы­
числения можно представить в следующей матричной форме:
ошибки 
= веса1 
- ошибки
скрытый 
скрытый_выходной 
выходной
Код, реализующий эту формулу, также прост в силу способности 
Python вычислять скалярные произведения матриц с помощью мо­
дуля numpy.
# ошибки скрытого слоя - это ошибки output_errors,
# распределенные пропорционально весовым коэффициентам связей
# и рекомбинированные на скрытых узлах 
hidden_errors = numpy.dot(self.who.T, output_errors)
Итак, мы получили то, что нам необходимо для уточнения весо­
вых коэффициентов в каждом слое. Для весов связей между скры­
тым и выходным слоями мы используем переменную output_errors.