(13) 运行代码Neuron_Network_Entry.py

接下来，我们从零起步在框架中编码实现Forward  Propagation功能，将新增ForwardPropagation.py代码，实现的目录结构代码如图所示：

图 2- 5 Create_AI_Framework_In5Classes(Day2)

先运行一下上一节Neuron_Network_Entry.py的代码，当隐藏层hidden_layers = [8,4,2]时，运行结果如下：

+1      V1      V2      

以上运行结果创建了3个隐藏层，第1个隐藏层有8个神经元， N[i][j]中第1列的索引代表是第i个隐藏层，第2列的索引代表神经元具体的索引j，第2个隐藏层有4个神经元，第3个隐藏层有2个神经元。这个和Tensorfow的可视化图中的第1个隐藏层有8个神经元，第2个隐藏层有4个神经元，第3个隐藏层有2个神经元是完全一样的。 Tensorfow的输入层有2个神经元，而我们这里的输入也是2个神经元，根据instances第一列的数据和第二列的数据得出第3列的数据，Exclusive OR计算只有第一个元素和第二个元素不同的时候，结果才是1，第一个元素和第二个元素相同的时候，结果为0。这个数据是我们输入系统的，但系统并不知道要进行Exclusive OR的计算，我们进行神经网络的训练，就是让系统清楚的预测到第1列、第2列的某种关系，得出第3列到底是0还是1。读者可能认为这里只有4行数据，实际环境中可能有上TB的数据，但是系统的精髓都是一样的，上百万条数据、上亿条数据理解和这个是完全一样的。

这个数据是我们输入系统的，但系统并不知道要进行Exclusive OR的计算，我们进行神经网络的训练，就是让系统清楚的预测到第1列、第2列的某种关系，得出第3列到底是0还是1。读者可能认为这里只有4行数据，实际环境中可能有上TB的数据，但是系统的精髓都是一样的，上百万条数据、上亿条数据理解和这个是完全一样的。根据第1列、第2列的某种关系，得出第3列，开始是训练，训练的时候有误差，然后调整误差，调整误差是Back Propagation的过程，看看预测的值和实际的值是否一致，误差有多大，BackPropagation是从后向前推，看哪些因素导致了误差以及误差的程度，下一次将表现的更好。BackPropagation将在后续章节讲解。这一节讲解Forward  Propagation的过程，从输入层的2个Feature出发，到第一个隐藏层的8个神经元，再到第二个隐藏层的4个神经元，再到第三个隐藏层的2个神经元，最后得出输出层的1个神经元，这个过程和Tensorflow的可视化图中的过程是完全一样的。

All the data are the same，所有的数据都是没有区别的。如果能处理0，1，2，3，4，5，6，7，8，9的数字，就能处理图片、音频、视频的数据，它们没有区别。声音、图片的处理也是类似转换为0，1，2，3，4，5，6，7，8，9的数字处理，图片转变是通过CNN处理，CNN的核心是处理图片的时候，将其变成最基本的数据。数据是没有区别的。

接下来编写代码，我们的目标是从输入层Input Layer出发，经过所有的隐藏层Hidden Layers的处理，最终得出输出层Output Layer的结果。我们需迈开第一步，虽然走的是一小步，但这一小步是我们人工智能领域的一大步， 因为我们将完成Forward Propagation的功能。

欢迎关注微信公众号：“从零起步学习人工智能”。

喜欢我们发布的信息，就在右下角点一下“在看”吧！欢迎转发分享！