Python 简单神经网络-如何存储权重？

我最近开始学习Python，并试图实现我的第一个神经网络。我的目标是编写一个函数，生成具有可变层和节点数量的神经网络。所有必要的信息都存储在layerStructure中（例如：第一层有四个节点，第三层有三个节点）

上面的代码生成以下输出：

[[0.6067148  0.66445212 0.54061231 0.19334004]
 [0.22385007 0.8391435  0.73625366 0.86343394]]
[[0.61794333 0.9114799 ]
 [0.10626486 0.95307027]
 [0.50567023 0.57246852]]

---

我的第一次尝试是将每个随机权重矩阵存储在一个名为weightMatrix_arr的容器数组中。但是，由于各个矩阵的形状不同，我无法使用np.append（）将它们全部存储在矩阵容器中。如何保存这些矩阵以便在反向传播期间访问它们？

您可以使用

列表而不是
np.array
：

#生成空重量列表容器
权重矩阵=[]
#初始化随机权矩阵
对于范围内的ii（len（层结构[0:-1]）：
randmatrix=np.random.rand（layerStructure[ii+1]，layerStructure[ii]）
加权矩阵。追加（随机矩阵）
打印（randmatrix）

否则，您可以将
权重矩阵\u arr dtype
设置为
对象
：
:

#生成空重量列表容器
权重矩阵=np.array（[]，dtype=object）
#初始化随机权矩阵
对于范围内的ii（len（层结构[0:-1]）：
randmatrix=np.random.rand（layerStructure[ii+1]，layerStructure[ii]）
WeightMatrix=np.append（WeightMatrix，randmatrix）

请注意，在两种情况下，如果不访问图层矩阵，则无法访问内层索引：

权重矩阵[层，0，3]#错误
权重矩阵[层][0,3]#确定
如果内存消耗不是问题，您可以将所有层塑造为最长的层，只需根据
层结构值忽略额外的单元即可

[[0.6067148  0.66445212 0.54061231 0.19334004]
 [0.22385007 0.8391435  0.73625366 0.86343394]]
[[0.61794333 0.9114799 ]
 [0.10626486 0.95307027]
 [0.50567023 0.57246852]]