输入层到第一层的传递表示

首先看输入层到第一层的第一个神经元的信号传递过程：

可以用数学式子表示第一层的第一个神经元的值：

如果用矩阵乘法运算，第一层的加权和可以表示成下面形式：

考虑激活函数的话，也就是这样一个代码表示形式：其中A1就包含了第一层所有节点的加权值。加权值带入到激活函数里得到的Z1是下一层的输入。

A1 = np.dot(X,W1) + B1
Z1 = sigmoid(A1)

第一层到第二层的传递表示

第一层到第二层的信号传递过程图如下：

同理可以写出这个传递的代码表示形式：无非是把Z1作为输入。

a2 = np.dot(z1, W2) + b2
z2 = sigmoid(a2)

第二层到第三层的传递表示

第二层到第三层的信号传递过程图如下：

可以写出这个传递的代码表示形式：

a3 = np.dot(z2, W3) + b3
y = softmax(a3)
# 或者y = a3

这里面加权和不是放到类似前面的激活函数里面。

输出层的激活函数，回归问题用恒等函数，分类问题用softmax函数。

输出层激活函数是恒等函数，则输入信号会原封不动的输出。

softmax函数的数学表示：

softmax函数输出是0-1之间的实数，并且softmax函数输出值总和是1，这样的话，可以把softmax函数的输出解释成概率。即便使用了softmax函数，各个元素之间的大小关系不会改变。

由于softmax函数要进行指数运算，指数函数的值可能会很大，导致溢出问题。

可以把分子分母都乘以C，然后我们把公式变成了exp(ak+c)，如果c是输入信号中的最大值，那么公式里面减去c之后，就不会溢出了。

它的代码实现为：

def softmax(a):c = np.max(a)exp_a = np.exp(a-c)#防溢出sum_exp_a = np.sum(exp_a)y = exp_a/sum_exp_areturn y

全过程传递表示代码

代码如下，其中x是输入的图像数据。W1, W2, W3分别代表第1、2、3层的所有权重， b1, b2, b3分别代表第1、2、3层的所有偏置，默认我们的network已经训练好了权重和偏置的值。

def predict(network, x):W1, W2, W3 = network['W1'], network['W2'], network['W3']b1, b2, b3 = network['b1'], network['b2'], network['b3']a1 = np.dot(x, W1) + b1z1 = sigmoid(a1)a2 = np.dot(z1, W2) + b2z2 = sigmoid(a2)a3 = np.dot(z2, W3) + b3y = softmax(a3)return y