一个输入，隐藏，输出层节点数都为3的网络

今天，我们来完成ANN的前向传播部分，给ANN类编写预测函数。
函数的参数是输入的节点(inputs_list)，数据类型为list。
返回的是输出层节点(o_o)的数值。

首先，我们需要把输入的list转换成numpy的array才能通过numpy模块进行矩阵运算。
numpy.array()的第一个参数为被转换的数组，ndmin参数为转换后的维数。
假设inputs_list的长度为len，通过np.array(inputs_list, ndmin=2)这条语句会被复制并转换为一个大小为(1,len)的矩阵。转置以后便是一个大小为(len,1)的矩阵。

接着，a_f()即激活函数，numpy.dot()则返回两个矩阵相乘的结果。
公式y=sigmoid(x*w)写成代码便是y = a_f(np.dot(w, x))
代码中h_o即为隐藏层的输出，o_o为输出层的输出。

    def predict(self, inputs_list):        #translation
        i = np.array(inputs_list, ndmin=2).T        # hidden
        h_i = np.dot(self.wih, i)
        h_o = self.a_f(h_i)        # output
        o_i = np.dot(self.who, h_o)
        o_o = self.a_f(o_i)        return o_o

这样一来，前向传播功能，或者说预测功能，便完成了。当然，代码现在还不能很好的工作，还需要训练，才能变强。下一篇便是编写训练部分的功能。
这里有一点要注意，比如说假如我们的网络是用于手写数字的识别，输出层的节点便有十个，分别对应数字0~9。输出层的值的大小顺序代表了是对应数字可能性的大小，但并不代表对应数字的概率，需要对输出层的结果做归一化处理，才能得到对应数字的概率。

作者：御史神风
链接：https://www.jianshu.com/p/8c4a91ccc4e5