(17) 运行ForwardPropagation.py代码
Create_AI_Framework_In5Classes(Day2) 的ForwardPropagation.py代码：
# -*- coding: utf-8 -*-(3) 测试结果。
在入口程序Neuron_Network_Entry.py中测试结果。输出结果的值是最后一个节点的值，
得出此次Forward Propagation的输出结果，从所有的节点中找到最后一个节点，打印出预测的值。
Neuron_Network_Entry.py运行结果如下：
+1 V1 V2 instances中有4条数据，从输入数据的角度，第1条数据是[0,0],第2条数据是
[0,1],第3条数据是[1,0],第4条数据是[1,1]。结果中第一条数据的预测值是Prediction: 0.4477145403917822，但实际结果是0；第2条数据的预测值是Prediction: 0.44384068472048943，但实际结果是1；第3条数据的预测值是Prediction:0.44955657205136573，但实际结果是1；第4条数据的预测值是Prediction: 0.44559590058743986，但实际结果是0；我们只运行了1次，使用Sigmoid激活函数发现第1列和第2列跟第3列结果的关系，第1次运行的结果是不准确的。在下一章节中，我们将从结果中反推执行的过程，看每个节点关联的权重对误差造成的影响，根据我们的算法调整这个影响，随着循环过程的进行，误差会越来越小。TensorFlow的可视化图中，开始的误差是50%左右，我们这里的开始误差也很大，根据结果的计算，要么是0，要么是1，而我们的预测值如0.4477145403917822等，随着程序的运行，误差越来越小，而要完成这个过程，要根据结果反推以前的每一步，看权重值是否需要调整，调整权重之后，下一次再运行，神经元具体的值也会改变，因为权重发生了改变，不断的调整将越来越接近目标。
