Python神经网络代码识别手写字具体流程(二):矩阵的前向传播

在上一篇神经网络代码实现流程中，加载数据返回了三组数据：训练集，测试集，验证集．加载数据后，需要对神经网络代码的类进行实例化。

以下讲解，神经网络代码类的实现：

在类中，首先，在Network类的构造函数中，由实例化时传入的参数定义了神经网络的层数，每层的神经元个数，并利用随机函数对每层的神经元权重以及偏置进行初始化。

def __init__(self, sizes):
self.num_layers = len(sizes)  #神经网络的层数，循环的时候会应用到
self.sizes = sizes   #传入的神经网络的列表
self.biases = [np.random.randn(y, 1) for y in sizes[1:]]  #生成的偏置的矩阵，形成到为一个列表，列表中的每一项都是一个矩阵。矩阵的维度与y相同
self.weights = [np.random.randn(y, x) for x, y in zip(sizes[:-1], sizes[1:])] #形成的权重的列表，（如果输入层为第0层的话，列表中的第i个矩阵的维度为：（第i层的神经元个数）*（i—1层神经元个数））。其中，随机化生成的矩阵符合标准正态分布。

在构造函数中，相当于形成了神经网络的骨架，在实例化神经网络的类时，传入的参数是神经网络的结构，所以所有的权重，偏置，神经元都已经被定义好了。在上一节中，数据已经被加载成了标准的格式，到现在，我们可以把训练集输入进去，得到了一个输出的矩阵，当然，这个输出的矩阵并没有什么用。但是理解这个矩阵却能够理解前向传导的含义。

前向传播网络代码如下：

def feedforward(self, a):
for b, w in zip(self.biases, self.weights):
a = sigmoid(np.dot(w, a)+b)
return a

在以上的代码中，a为输入，在上一节中我们知道输入为（784*50000），经过以上的循环：经过第一个隐藏层，输出的a为（30*50000），在经过第二个隐藏层，得到的a为（10*50000）。当然，我们肯定不会这样使用神经网络将所有的数据一次向传入进去，只是用此说明一下前向网络的流程。