初始化

使用类Network来代表神经网络。 函数def __init__(self, sizes):为神经网络的初始化。

size

Network构造函数的参数size是一个list。 list的个数代表网络的层数。 list中的每一项代表这一层的神经元个数。 例如：size = [2,3,1]，说明： 输入层：2个输入神经元 输出层：1个输出神经元 中间层：共1层，有3个神经元

bias

bias代表偏移。 初始化后的b为一个list. list b中有（层数-1）项。因为输入层不需要b。中间层和输出层每层对应一项。 b中的每一项又各是一个np.array（列向量）。这些array中的元素个数各不相同，分别与该项对应的层的神经元相对应。 例如根据以上size得：

$$bias = \begin{bmatrix} \begin{bmatrix} [b1_1] \\ [b1_2] \\ [b1_3] \end{bmatrix},[[b2_1]] \end{bmatrix}$$

假设输入层为第0层，$bi_j$代表第i层上第j个神经元的b 所有的$bi_j$都是均值为0方差为1的随机数

weights

weights代表权重w。 每个神经元只有1个b，却有一组w，w的个数与它的参数个数有关，因为w的初始化比b要复杂的多。 在目前学习的神经网络结构中，上一层所有神经元的输出会成为下一层所有神经元的输入。所以，某一层神经元的输入个数相同，且这一层神经的参数个数 = 上一层的神经元个数。 list weights中同样有（层数-1）项。因为输入层不需要weights。中间层和输出层每层对应一项。 weights中的每一项又各是一个二维的np.array（数组）。数组的大小为（当前层神经元个数 * 上一层神经元个数）。 例如根据以上size得：

$$weights = \begin{bmatrix} \begin{bmatrix} [w1_{11}, w1_{12}] \\ [w1_{21}, w1_{22}] \\ [w1_{31}, w1_{32} \end{bmatrix},[[w2_{11}, w2_{12}, w2_{13}]] \end{bmatrix}$$

假设输入层为第0层，$bi_{jk}$代表第i-1层上的第k个神经元的输出对第i层第j个神经元的重要性。 所有的$wi_{jk}$都是均值为0方差为1的随机数