### 题目重述 根据提供的神经网络结构图，生成Python代码，定义权重`w1~w8`，并实现前向传递、后向传递及再次前向传递。 ### 给出答案（答案为带注释的代码块） ```python import numpy as np # 定义权重和其他参数 w1, w2, w3, w4, w5, w6, w7, w8 = 0.15, 0.20, 0.25, 0.30, 0.36, 0.40, 0.44, 0.56 b1, b2 = 0.35, 0.60 learning_rate = 0.5 # 学习率 # 输入数据 X = np.array([0.05, 0.10]) y = np.array([0.01, 0.99]) # 目标输出 def sigmoid(x): return 1 / (1 + np.exp(-x)) def forward_pass(X): # 前向传递 z1 = X[0] * w1 + X[1] * w3 + b1 z2 = X[0] * w2 + X[1] * w4 + b1 a1 = sigmoid(z1) a2 = sigmoid(z2) z3 = a1 * w5 + a2 * w7 + b2 z4 = a1 * w6 + a2 * w8 + b2 y_hat = np.array([sigmoid(z3), sigmoid(z4)]) return y_hat, a1, a2, z1, z2, z3, z4 def backward_pass(X, y, y_hat, a1, a2, z1, z2, z3, z4): # 后向传递计算梯度 delta_3 = (y_hat - y) * y_hat * (1 - y_hat) delta_2 = ((delta_3[0] * w5) + (delta_3[1] * w6)) * a1 * (1 - a1) delta_1 = ((delta_3[0] * w7) + (delta_3[1] * w8)) * a2 * (1 - a2) # 更新权重和偏置 global w1, w2, w3, w4, w5, w6, w7, w8, b1, b2 w1 -= learning_rate * X[0] * delta_2 w2 -= learning_rate * X[0] * delta_1 w3 -= learning_rate * X[1] * delta_2 w4 -= learning_rate * X[1] * delta_1 w5 -= learning_rate * a1 * delta_3[0] w6 -= learning_rate * a1 * delta_3[1] w7 -= learning_rate * a2 * delta_3[0] w8 -= learning_rate * a2 * delta_3[1] b1 -= learning_rate * delta_2 b2 -= learning_rate * np.sum(delta_3) def train_network(): # 第一次前向传递 y_hat, a1, a2, z1, z2, z3, z4 = forward_pass(X) print("第一次前向传递输出:", y_hat) # 后向传递 backward_pass(X, y, y_hat, a1, a2, z1, z2, z3, z4) # 再次前向传递 y_hat_new, _, _, _, _, _, _ = forward_pass(X) print("再次前向传递输出:", y_hat_new) train_network() ``` ### 代码解析 1. **定义参数**：初始化权重和偏置。 2. **前向传递**：计算各层输出值，使用Sigmoid激活函数。 3. **后向传递**：根据预测误差调整权重和偏置。 4. **训练过程**：包括两次前向传递（一次初始，一次更新后），以及一次后向传递更新参数。 ### 知识点 1. **神经网络基础** 神经网络由多层节点组成，包括输入层、隐藏层和输出层。 2. **Sigmoid激活函数** Sigmoid函数用于非线性转换，$f(x)=\frac{1}{1+e^{-x}}$。 3. **反向传播算法** 反向传播通过计算误差梯度更新网络参数，优化模型性能。