[人工智能]深度学习：神经网络的输出层计算

对于输入层和隐藏层都需要补上一个值为1的偏置x0，权重由随机数生成

代码：

# todo 实现上图绘制的神经网络, 我们可以采用 np.random.uniform(size=())去随机生成参数
import numpy as np

def sigmoid(x):
    return 1/(1+np.exp(-x))

def net(X):
    # todo 确定输入和权重的维度
    #X = np.array([[1],[-2],[3],[-4]])
    # 除了输出层外，每一层多一个偏置x0 = 1
    # 四个输入，三个输出
    theta1 = np.random.uniform(size=(3, 4))
    print(theta1)
    hidden_input = sigmoid(np.matmul(theta1,X))
    print('hidden_input\n',hidden_input)
    hidden_input = np.insert(hidden_input, 0, [1], axis=0)
    print('hidden_input\n',hidden_input)
    output = None
    #--------------请实现隐藏层Layer2到输出层的Layer3代码-----------------
    theta2 = np.random.uniform(size=(1, 4))
    print(theta2)
    output = sigmoid(np.matmul(theta2, hidden_input))
    print(output)
    return output
    

例子：

做了若干次尝试，都发现output稳定在0.6-0.8中间，这是什么原理呢？