(9)自研框架的Weight关系图
运行入口程序Create_AI_Framework_In5Classes(Class1)的Neuron_Network_Entry.py代码，运行结果如下：在hidden_layers= [4,2]时， 运行结果的第一行中的第一个“+1”表示输入层的Bias节点名字，V1表示输入层的第一个输入节点，V2表示输入层的第2个输入节点；第二行“Hiddenlayer creation”的1是第1层隐藏层Bias名字，之后是第一个隐藏层的4个神经元节点的名字。第三行“Hidden layer creation”的2是第2层隐藏层Bias名字，之后是第2个隐藏层的2个神经元节点的名字。第四行打印输出层Output layer的节点名字Output；第4行至第15行的记录打印了节点是否为Bias的节点；第16行至48行的记录打印了层次之间节点的权重信息。
+1 V1 V2 以上第16行至48行的记录打印的层次之间的权重连接关系如图所示，其中第0个节点、第3个节点、第8个节点都是Bias节点，也进行了Weight的计算，但参考TensorFlow的可视化图，Weight的连接不应包括Bias的节点，因此，接下来的工作需将Bias从Weight连接关系中去掉。
图 1- 23 weight图（Weight中需去除Bias）
NetworkConnection.py代码中构成Weight的前提条件是有前后相邻的Layer关系。 是不是就可以创建Weight了？不是的，因为我们创建的节点中还有Bias，这里要不要Bias？Weight是发生在神经元之间的，跟Bias没关系，比较的节点Node之间不能是Bias成员，所以要去掉Bias的节点。在NetworkConnection.py代码判断一下节点nodes[k]的get_is_bias_unit()如果等于True，去掉Bias节点，节点nodes[k]的get_is_bias_unit()如果等于False，说明是神经元节点；同样的，判断一下节点nodes[j]的get_is_bias_unit()如果等于True，去掉Bias节点，节点nodes[j]的get_is_bias_unit()如果等于False，说明是神经元节点。下一步才是创建Weight节点，从nodes[j]出发到nodes[k]之间创建Weight，相当于TensorFlow的可视化图中，从输入层的x1节点到第一个隐藏层的第一个节点的Weight。
因此，在Create_AI_Framework_In5Classes(Class1)版本的NetworkConnection.py 的基础上进行微调：
- 在NetworkConnection.py 的33行代码之后新增代码，判断nodes[k]、nodes[j]节点是否为Bias节点。
…… 再次运行入口程序Create_AI_Framework_In5Classes(Class1)的Neuron_Network_Entry.py代码，运行结果如下：这里是hidden_layers = [4,2] 为两个Hidden layer，第一个Hidden Layer有4个Neuron，第二个Hidden Layer有2个Neuron。整个神经元网络有12个节点，其中ID为0、3、8的Node为Bias节点，ID为1，2的是输入层，分别关联到 4、5、6、7节点，然后4、5、6、7节点分别关联到下一个隐藏层的节点9，10节点；9，10节点最后输出到输出层节点ID 11 ，打印出各权重的结果。此时的第16行到第33行记录中权重连接已经不包括Bias节点的信息：
+1 V1 V2 代码调整以后，第16行到第33行记录的层次之间的权重连接关系如图所示，此时，我们自研的神经网络Weight关系图和TensorFlow的可视化图是类似的。
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！
