三层神经网络前向计算python

三层神经网络，也被称为深度前馈神经网络，通常由输入层、隐藏层和输出层组成。在Python中，我们可以使用如TensorFlow、PyTorch等库来进行前向传播。以下是基本的前向计算步骤：

1. **初始化权重**：首先创建随机权重矩阵，用于连接每层之间的神经元。

2. **输入层**：数据通过输入层，不涉及任何计算，只是数据传递。

3. **隐藏层计算**：对于每个隐藏层，将上一层的输出与当前层的权重相乘，然后加上偏置值，再应用激活函数（如ReLU、sigmoid或tanh）。这个过程可以用矩阵运算简化。

4. **循环隐藏层**：如果有多个隐藏层，对每一层都重复步骤3。

5. **输出层计算**：同样地，将最后一层隐藏层的输出与到输出层的权重相乘并加偏置，然后根据具体的任务（如线性回归或分类）选择合适的激活函数（如softmax用于多分类）。

6. **预测结果**：最后得到的是输出层节点的输出，这可以被视为模型对于给定输入的预测。

import tensorflow as tf

# 假设输入数据x，权重W1，W2，偏置b1，b2
inputs = x
hidden_layer_1 = tf.add(tf.matmul(inputs, W1), b1)  # 隐藏层1
hidden_layer_1_activation = tf.nn.relu(hidden_layer_1)

hidden_layer_2 = tf.add(tf.matmul(hidden_layer_1_activation, W2), b2)
output = tf.matmul(hidden_layer_2, output_weights) + output_bias  # 输出层

prediction = tf.nn.softmax(output)  # 如果是多分类任务