概述

前向传播，也称之为 正向传播

一句话解释：将神经网络正向走一遍

输入层—->隐藏层—->输出层

案例

在不同的神经网络中，算法不同，这里以 根据平均身高预测孩子身高 为例：

样本demo如下：

初始化权重和偏置量

在keras中的全连接网络中：

• 权重 默认初始化的方式是 随机的
• 偏置量 默认为0

为了方便计算，手动设置 权重和偏置量，如下

注意：
运算后的结果 与 样本真实值 会有误差

计算h1

计算公式：

h1结果=x1*w1+b1

x表示特征，即父母平均身高

为了 方便计算，将 偏执量 b 理解成 x0*w0，如下：

h1结果=x0*w0+x1*w1

注意：

• 在tensorflow中，初始化时，b1值是0
• x0为1，也就是说 特征多了一个
• w0是0

由于有很多个样本，用循环计算复杂，通过 矩阵 计算更加简单，转换公式如下：

注意：

• 样本矩阵，行是样本，列是特征

最终结果如下

o1输出层

由于隐层只有一层，所以直接将h1的结果输出

keras 代码验证

上述是理论，接下来我们要通过keras代码，查看输出的结果

实现思路，建立好模型后，需要手动设置权重为0.1，直接调用predict()方法进行预测，就会以权重（0.1）和偏置量（0）进行计算

import tensorflow as tf
import numpy as np

data=np.array([1.6,1.7,1.8])

model = tf.keras.Sequential()
dense=tf.keras.layers.Dense(1,input_shape=(1,),kernel_initializer=tf.keras.initializers.Constant(0.1))
model.add(dense)
model.summary()

out_result = model.predict(data)
out_result

执行结果如下：

[[0.16000001]
 [0.17      ]
 [0.17999999]]

原文出处：/show_1EF4Glu1ETJD.html