作者：射命丸咲 Python 与 机器学习 爱好者
最终成品的 GitHub 地址：
https://github.com/carefree0910/MachineLearning/tree/master/NN
本章用到的 GitHub 地址：
https://github.com/carefree0910/MachineLearning/blob/master/Zhihu/NN/one/Network.py
从这一章开始就要讲第二个核心结构 神经网络（NN）的实现了。这一部分是个有点大的坑，我会尽我所能地一一说明。在这一章里面，我们会说明如何把整个神经网络的结构搭建起来
援引之前用过的一张图：
可以看到，如果不去管接口怎么写的话，因为我们已经处理好了 Layer，所以我们还需要处理的东西其实有一个：
处理绿箭头的部分！！！
在我们现在准备实现的朴素结构里面，绿箭头的部分只有两个东西：权重 和 偏置量
所以我们就来实现它们~
在贴出代码前，需要先说明一下接下来代码里面的 shape 是个什么东西。事实上，它记录了上一层神经元个数与该层神经元个数。具体而言，有：
shape[0] 是上一层神经元个数
shape[1] 是该层神经元个数
从而 shape 这个变量起到了承上启下的重要作用，请观众老爷们把它的定义牢记于心 ( σ'ω')σ
接下来是具体实现（这里用到了一些 tensorflow 的函数，可以暂时先用着）（喂）：
根据 shape 获得初始权重
def _get_w(self, shape):
initial = tf.truncated_normal(shape, stddev=0.1)
return tf.Variable(initial, name="w")根据 shape 获得初始偏置量
def _get_b(self, shape):
initial = tf.constant(0.1, shape=shape)
return tf.Variable(initial, name="b")
我们再来想一想，在搭建一个网络时，操作顺序是什么？
还是上面那张图，可以看到搭建顺序应该是：加入一个 Layer → 加入绿箭头 → 加入一个 Layer → 加入绿箭头 → ……
所以我们接下来要做的只有两个：加入 Layer 和 加入绿箭头（这个人废话怎么这么多）
先讲怎么加入绿箭头、因为加入 Layer 的过程中会用到这一步。相信观众老爷们已经或多或少有些感觉了，这里就直接贴出代码：
def _add_weight(self, shape):
w_shape = shape
b_shape = shape[1],
self._tf_weights.append(self._get_w(w_shape))
self._tf_bias.append(self._get_b(b_shape))因为很重要所以再提一下（这人好啰嗦）：shape[0] 是上一层神经元个数而 shape[1] 是该层神经元个数。这也是为什么偏置量的形状是 shape[1]
可能观众老爷们注意到了，代码中出现了没见过的 self._tf_weights 和 self._tf_bias。相信大家也都猜到了：这两个列表就是存着所有权重和偏置量的列表，可谓是整个结构的核心之一
再讲怎么加入 Layer。不考虑接口的话，加入 Layer 是一个平凡的过程：
def add(self, layer):
if not self._layers:
self._layers, self._current_dimension = [layer], layer.shape[1]
self._add_weight(layer.shape)
else:
_next = layer.shape[0]
self._layers.append(layer)
self._add_weight((self._current_dimension, _next))
self._current_dimension = _next解释一下代码的逻辑：
如果是第一次加入 Layer 的话，创建一个含有该 Layer 的列表（self._layers），同时用一个变量（self._current_dimension）把 Layer 的 shape[1] 记录下来（当我们第一次加入 Layer 时，shape[0] 代表着输入数据的维度，shape[1] 代表着第一层神经元的个数）
如果不是第一次加入的话，由于没有考虑接口设计，我们需要作这样的约定：
在该约定下，上面代码的逻辑就比较清晰了；为简洁，我就不再赘述（其实还是懒）（喂从第二次加入 Layer 开始，Layer 的 shape 变量都是长度为 1 的元组，其唯一的元素记录的就是该 Layer 中神经元的个数
比如说，如果我想设计一个含有一层隐藏层、24 个神经元的结构，我就要这样做：nn.add(ReLU((x.shape[1], 24)))nn.add(CrossEntorpy((y.shape[1], )))这里面出现的 CrossEntropy 是损失函数层（CostLayer），目前暂时没有讲到、不过它也继承了 Layer，目前来说可以简单地把它看成一个普通的 Layer
那么稍微总结一下：
朴素的网络结构只需要重复做两件事：加入 Layer 和加入绿箭头。其中，绿箭头的本质是层与层之间的关联，它根据 shape 生成相应的权重和偏置量
一般来说，shape 记录的是上一层的神经元个数和这一层神经元个数（否则它记录的会是这一层神经元的个数），它起到了重要的承上启下的作用
希望观众老爷们能够喜欢~
公众号后台回复关键词学习
回复 人工智能 揭开人工智能的神秘面纱
回复 贝叶斯算法 贝叶斯算法与新闻分类
回复 机器学习 R&Python机器学习
回复 阿里数据 阿里数据系列课程
回复 Python Python机器学习案例实战
回复 Spark 征服Spark第一季
回复 kaggle 机器学习kaggle案例
回复 大数据 大数据系列视频
回复 数据分析 数据分析人员的转型
回复 数据挖掘 数据挖掘与人工智能
回复 机器学习 R&Python机器学习
回复 阿里数据 阿里数据系列课程
回复 R R&Python机器学习入门