Python实现神经网络构建：CreateNet()函数详解

CreateNet()函数是一个用于构建神经网络的函数，通过该函数可以创建一个由多个神经元和多个层组成的神经网络。该函数的具体实现如下：

def CreateNet(layers):
    net = []
    for i in range(len(layers)-1):
        layer = {'weights': np.random.rand(layers[i+1], layers[i]), 'biases': np.random.rand(layers[i+1])}
        net.append(layer)
    return net

该函数接受一个参数layers，它是一个表示神经网络各层神经元数量的列表。例如，layers = [2, 3, 1]表示一个具有2个输入神经元、3个隐藏层神经元和1个输出神经元的神经网络。

函数的实现过程如下：

1. 创建一个空的神经网络列表net，该列表用于存储神经网络的各个层。

2. 对于layers列表的每个元素（除了最后一个元素）进行循环遍历。

3. 在循环中，创建一个字典layer，该字典包含两个键值对：weights和biases。

- weights是一个形状为(layers[i+1], layers[i])的随机生成的矩阵，表示当前层与下一层之间神经元之间的连接权重。

- biases是一个形状为(layers[i+1],)的随机生成的向量，表示当前层各神经元的偏置。

4. 将layer字典添加到神经网络列表net中。

5. 返回神经网络列表net。

使用例子如下：

layers = [2, 3, 1]
net = CreateNet(layers)
print(net)

输出结果可能如下所示：

[{'weights': array([[0.123, 0.456],
                     [0.789, 0.123],
                     [0.456, 0.789]]), 'biases': array([0.123, 0.456, 0.789])}, 
 {'weights': array([[0.987, 0.654, 0.321]]), 'biases': array([0.987])}]

上述例子中，创建了一个具有2个输入神经元、3个隐藏层神经元和1个输出神经元的神经网络net。其中， 层与第二层之间的连接权重矩阵是一个3x2的随机生成矩阵，偏置向量是一个3维的随机生成向量；第二层与第三层之间的连接权重矩阵是一个1x3的随机生成矩阵，偏置向量是一个1维的随机生成向量。

可以看出，CreateNet()函数通过随机生成连接权重和偏置来构建神经网络，为神经网络的训练做好了准备。