Python 神经网络中的权值

我正在读：

我看到了以下代码：

import numpy as np

def sigmoid(x):
    return 1.0/(1+ np.exp(-x))

def sigmoid_derivative(x):
    return x * (1.0 - x)

class NeuralNetwork:
    def __init__(self, x, y):
        self.input      = x
        self.weights1   = np.random.rand(self.input.shape[1],4) 
        self.weights2   = np.random.rand(4,1)                 
        self.y          = y
        self.output     = np.zeros(self.y.shape)

    def feedforward(self):
        self.layer1 = sigmoid(np.dot(self.input, self.weights1))
        self.output = sigmoid(np.dot(self.layer1, self.weights2))

    def backprop(self):
        # application of the chain rule to find derivative of the loss function with respect to weights2 and weights1
        d_weights2 = np.dot(self.layer1.T, (2*(self.y - self.output) * sigmoid_derivative(self.output)))
        d_weights1 = np.dot(self.input.T,  (np.dot(2*(self.y - self.output) * sigmoid_derivative(self.output), self.weights2.T) * sigmoid_derivative(self.layer1)))

        # update the weights with the derivative (slope) of the loss function
        self.weights1 += d_weights1
        self.weights2 += d_weights2


if __name__ == "__main__":
    X = np.array([[0,0,1],
                  [0,1,1],
                  [1,0,1],
                  [1,1,1]])
    y = np.array([[0],[1],[1],[0]])
    nn = NeuralNetwork(X,y)

    for i in range(1500):
        nn.feedforward()
        nn.backprop()

    print(nn.output)

权重不应该是4x4随机矩阵吗？因为我们在隐藏层中有4个神经元和4个输入值，所以权重的总数应该是16，但是下面的代码在init函数中分配了一个2x4的矩阵，并创建了一个点积？

您的输入矩阵X表明样本数是4，特征数是3。神经网络输入层中的神经元数等于特征数*，而不是样本数。例如，考虑到你有4辆车，你选择了3个特点为每一个：颜色，座位数量和原产地国。对于每个汽车样本，您将这3个功能提供给网络并训练您的模型。即使你有4000个样本，输入神经元的数量也不会改变；现在是3点

因此self.weights1的形状是3，4，其中3是特征数，4是隐藏神经元数，这4与样本数无关，正如预期的那样

*：有时输入会增加1或-1以说明偏差，因此在这种情况下，输入神经元的数量将为num_features+1；但这是一个选择，是否单独处理偏见。

您的输入矩阵X表明样本数为4，特征数为3。神经网络输入层中的神经元数等于特征数*，而不是样本数。例如，考虑到你有4辆车，你选择了3个特点为每一个：颜色，座位数量和原产地国。对于每个汽车样本，您将这3个功能提供给网络并训练您的模型。即使你有4000个样本，输入神经元的数量也不会改变；现在是3点

因此self.weights1的形状是3，4，其中3是特征数，4是隐藏神经元数，这4与样本数无关，正如预期的那样

---

*：有时输入会增加1或-1以说明偏差，因此在这种情况下，输入神经元的数量将为num_features+1；但这是一个选择，是否单独处理偏差。

这个网络中只有一个隐藏层和一个输出层，而不是四个。对不起，我指的是隐藏层中的四个神经元。这个网络中只有一个隐藏层和一个输出层，而不是四个。对不起，我指的是隐藏层中的四个神经元。谢谢，这帮了大忙，多个在线教程使用与输入层中神经元数量相同的输入数量。我从你的回答中了解到，是输入中的列数决定了输入层的大小。如果我理解正确，请告诉我。是的，特征的数量总是决定输入神经元的数量。设计矩阵X的通常约定是具有shape num_样本，num_特征，因此是的，它通常是输入矩阵的列数。看来你们明白了。谢谢你们，这很有帮助，多个在线教程使用了和输入层中神经元数量相同的输入数量。我从你的回答中了解到，是输入中的列数决定了输入层的大小。如果我理解正确，请告诉我。是的，特征的数量总是决定输入神经元的数量。设计矩阵X的通常约定是具有shape num_样本，num_特征，因此是的，它通常是输入矩阵的列数。看来你明白了。