In this code, the list sizes contai

In this code, the list sizes contains the number of neurons in the respective layers. So, for example, if we want to create a Network object with 2 neurons in the first layer, 3 neurons in the second layer, and 1 neuron in the final layer, we'd do this with the code:

The biases and weights in the Network object are all initialized randomly, using the Numpy np.random.randn function to generate Gaussian distributions with mean 00 and standard deviation 11. This random initialization gives our stochastic gradient descent algorithm a place to start from. In later chapters we'll find better ways of initializing the weights and biases, but this will do for now. Note that the Network initialization code assumes that the first layer of neurons is an input layer, and omits to set any biases for those neurons, since biases are only ever used in computing the outputs from later layers.
Note also that the biases and weights are stored as lists of Numpy matrices. So, for example net.weights[1] is a Numpy matrix storing the weights connecting the second and third layers of neurons. (It's not the first and second layers, since Python's list indexing starts at 0.) Since net.weights[1] is rather verbose, let's just denote that matrix ww. It's a matrix such that wjkwjk is the weight for the connection between the kthkth neuron in the second layer, and the jthjth neuron in the third layer. This ordering of the jj and kk indices may seem strange - surely it'd make more sense to swap the jj and kk indices around? The big advantage of using this ordering is that it means that the vector of activations of the third layer of neurons is:

ผลลัพธ์ (ไทย) 1:

ในรหัสนี้ ขนาดรายการประกอบด้วยหมายเลขของเซลล์ประสาทในชั้นนั้น ๆ ดังนั้น ถ้าเราต้องการสร้างเครือข่ายวัตถุ มี 2 เซลล์ประสาทในชั้นแรก 3 เซลล์ประสาทในชั้นที่สอง และ 1 เซลล์ประสาทในชั้นสุดท้าย เราจะทำเช่นนี้กับรหัส:อคติและน้ำหนักในวัตถุเครือข่ายมีทั้งหมดเริ่มต้นสุ่ม การใช้ Numpy np.random.randn ฟังก์ชันเพื่อสร้างการกระจายนที่ 00 ค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน 11 เริ่มต้นนี้สุ่มให้อัลกอริทึมของเราโคตร stochastic ไล่ระดับสีเริ่มต้นจาก ในภายหลัง เราจะพบวิธีที่ดีกว่าการเริ่มต้นน้ำหนักและอคติ แต่นี้จะทำในขณะนี้ หมายเหตุว่า รหัสการเตรียมใช้งานเครือข่ายที่ถือว่า ชั้นแรกของเซลล์ประสาทมีชั้นอินพุต และไม่ตั้งอคติใด ๆ สำหรับเซลล์ประสาทเหล่านี้ เนื่องจากอคติเท่านั้นที่เคยใช้ในการคำนวณผลจากชั้นในภายหลังขอให้สังเกตว่า อคติและน้ำหนักถูกจัดเก็บเป็นรายการของ Numpy เมทริกซ์ ดังนั้น เช่น net.weights[1] เป็นเมตริกซ์ Numpy เก็บน้ำหนักเชื่อมต่อชั้นสอง และสามของเซลล์ประสาท (มันไม่ชั้นหนึ่ง และสอง ตั้งแต่รายการของงูเหลือมทำดัชนีเริ่มต้นที่ 0) ตั้งแต่ net.weights[1] เป็น verbose ค่อนข้าง ลองเพียงแทนที่เมตริกซ์ ww มันเป็นเมทริกซ์เช่นที่ wjkwjk มีน้ำหนักสำหรับการเชื่อมต่อระหว่างเซลล์ประสาทในชั้นที่สอง kthkth และ jthjth เซลล์ประสาทในชั้นที่สาม นี้สั่งซื้อของเจเจและเคเคดัชนีอาจดูแปลก - ย่อม จะทำให้รู้สึกมากขึ้นแลกเปลี่ยนดัชนีเจเจและเคเครอบ ๆ หรือไม่ ประโยชน์ส่วนใหญ่ของการใช้การสั่งซื้อนี้คือ ว่า มันหมายความ ว่า เป็นเวกเตอร์ของการเปิดใช้งานของชั้นที่สามของเซลล์ประสาท:

ผลลัพธ์ (ไทย) 2:

ในรหัสนี้ขนาดรายการมีจำนวนของเซลล์ประสาทในชั้นที่เกี่ยวข้อง ดังนั้นสำหรับตัวอย่างเช่นถ้าเราต้องการที่จะสร้างวัตถุเครือข่ายที่มี 2 เซลล์ประสาทในชั้นแรก 3 เซลล์ประสาทในชั้นที่สองและ 1 เซลล์ประสาทในชั้นสุดท้ายที่เราต้องการทำเช่นนี้กับรหัส:

อคติและน้ำหนักใน วัตถุเครือข่ายจะเริ่มต้นทุกการสุ่มโดยใช้ฟังก์ชั่น Numpy np.random.randn เพื่อสร้างการกระจายแบบเกาส์ที่มีค่าเฉลี่ย 00 และส่วนเบี่ยงเบนมาตรฐาน 11 นี้เริ่มต้นสุ่มช่วยให้ขั้นตอนวิธีการสุ่มเชื้อสายลาดของเราสถานที่ที่จะเริ่มต้นจาก ในบทต่อมาเราจะหาวิธีการที่ดีขึ้นของการเริ่มต้นน้ำหนักและอคติ แต่นี้จะทำตอนนี้ โปรดทราบว่ารหัสเริ่มต้นสันนิษฐานว่าเครือข่ายชั้นแรกของเซลล์ประสาทเป็นชั้นการป้อนและละเว้นที่จะตั้งอคติใด ๆ สำหรับเซลล์ประสาทเหล่านั้นตั้งแต่อคติเป็นเพียงเคยใช้ในการคำนวณผลจากชั้นในภายหลัง
ยังทราบว่าอคติและน้ำหนักจะถูกเก็บไว้เป็นรายการของการฝึกอบรม Numpy ดังนั้นสำหรับตัวอย่าง net.weights [1] เป็นเมทริกซ์ Numpy เก็บน้ำหนักการเชื่อมต่อชั้นที่สองและสามของเซลล์ประสาท (มันไม่ได้เป็นชั้นแรกและครั้งที่สองนับตั้งแต่การจัดทำดัชนีรายการงูใหญ่เริ่มต้นที่ 0) ตั้งแต่ net.weights [1] ค่อนข้างละเอียดให้เพียงแสดงว่าเมทริกซ์ WW มันเป็นเมทริกซ์เช่นว่า wjkwjk มีน้ำหนักสำหรับการเชื่อมต่อระหว่างเซลล์ประสาท kthkth ในชั้นที่สองและเซลล์ประสาท jthjth ในชั้นที่สาม การสั่งซื้อของ JJ และ KK ดัชนีนี้อาจจะดูแปลก - แน่นอนมันจะทำให้รู้สึกมากขึ้นที่จะสลับ JJ และดัชนี KK รอบ? ประโยชน์ใหญ่ของการใช้การสั่งซื้อนี้ก็คือว่ามันหมายความว่าเวกเตอร์ของการเปิดใช้งานของชั้นที่สามของเซลล์ประสาทคือ:

ผลลัพธ์ (ไทย) 3:

ในรหัสนี้ รายการ ขนาดมีจำนวนเซลล์ประสาทในชั้นนั้นๆ ดังนั้นตัวอย่างเช่นถ้าเราต้องการสร้างเครือข่ายกับวัตถุ 2 เซลล์ประสาทในชั้นแรก 3 เซลล์ประสาทในชั้น 2 และ 1 เซลล์ประสาทในชั้น สุดท้าย เราก็ทำแบบนี้กับรหัส :biases และน้ำหนักในวัตถุของเครือข่ายทั้งหมดเริ่มต้นแบบสุ่ม โดยใช้ numpy np.random.randn ฟังก์ชันเพื่อสร้างลักษณะการแจกแจงค่าเฉลี่ยและส่วนเบี่ยงเบนมาตรฐาน 00 11 นี้จะช่วยให้ขั้นตอนการเริ่มต้นสุ่มสุ่มเชื้อสายของเราเป็นสถานที่ที่จะเริ่มต้นจาก ในบทต่อไปเราจะหาวิธีที่ดีของการเริ่มต้นน้ำหนักและอคติ แต่นี้จะทำตอนนี้ หมายเหตุ การเริ่มต้นเครือข่ายรหัสอนุมานว่าชั้นแรกของเซลล์ประสาทเป็น input layer , และการตั้งค่าใด ๆละเว้นอคติสำหรับเซลล์ประสาทเหล่านั้น เพราะอคติจะเท่านั้นที่เคยใช้ในการคำนวณผลผลิตจากชั้นนะยังทราบว่าอคติและน้ำหนักจะถูกเก็บไว้เป็นรายชื่อ numpy เมทริกซ์ ดังนั้นตัวอย่างเช่นสุทธิ น้ำหนัก [ 1 ] เป็น numpy เมทริกซ์เก็บน้ำหนักต่อชั้น สอง และ สาม ของ เซลล์ประสาท ( ไม่ใช่ชั้น 1 และ 2 เนื่องจากงูเหลือมรายการดัชนีเริ่มต้นที่ 0 ) เนื่องจากสุทธิ น้ำหนัก [ 1 ] ค่อนข้างเยิ่นเย้อ แค่แสดงที่เมทริกซ์ WW มันเป็นเมทริกซ์ที่ wjkwjk คือน้ำหนักสำหรับการเชื่อมต่อระหว่าง kthkth เซลล์ประสาทในชั้น 2 และ jthjth เซลล์ประสาทในชั้นสาม นี้สั่งซื้อของเจเจและดัชนี KK อาจดูเหมือนแปลก - แน่นอนมันทำให้รู้สึกมากขึ้นเพื่อสลับเจเจและดัชนีโดยรอบ ? ประโยชน์ใหญ่ของการใช้คำสั่งนี้ก็คือว่ามันหมายความว่าเวกเตอร์ของกิจกรรมของชั้นสามของเซลล์ประสาท คือ