一、前言
我们前面简单的做了一个气温预测，经过反复调试，效果还不错。实际上在这个方向上我们还可以更进一步优化，但因为我们是学习嘛，主要还是看广度而不是深度。考虑到后面要开始学习卷积网络，我们必须把更基础的内容搞明白才行，比如神经网络到底是如何工作的，如果不搞明白后面卷积就只能说用法而不明白原因了。所以本篇我们从数学计算的角度来解读神经网络，方法是像前一篇那样构建一个最简单的网络，处理最简单的问题，然后手写一个“预测”函数，将整个预测的计算结果细化出来，并与TensorFlow预测结果进行比对。
二、最简单的神经网络
假设现在有输入X=[1,2,3]，对应的Y=[2,5,6]。构建最简单的网络来训练。
三、神经网络的权重参数
我们可以通过model.get_layer(index=n)来获取神经网络的任意一层，接着用layer.get_weights()获取到“权重参数”。
如上图所示，我们训练后神经网络的权重参数如下：
w1 = np.array([[-2.310902]])
b1 = np.array([3.1731462])
w2 = np.array([[-2.2987313, 1.0480149, -4.3541355]])
b2 = np.array([ 0.21061553, -0.03892312, 1.3173497 ])
w3 = np.array([[ 1.936089 ],[-0.9680107],[ 5.0862694]])
b3 = np.array([1.5100651])
可以说权重参数就是神经网络本身，所谓训练就是将权重参数从无序混乱的数字，“训练”成上面这样的看起来似乎还是挺乱的数据。但是我们可以直接拿来用，自己计算一下就明白了。
四、手写预测部分
神经网络的基本组成是“预测、损失计算、反向传播”，中间可能穿插激活函数、正则化等等。所谓预测其实就是基于权重参数进行一次矩阵计算，所谓损失计算就是用预测的结果与正确值进行比较，反向传播则是在损失的基础上对权重参数进行优化。这里我们自己手写一下预测部分，对原理感兴趣的可以翻翻我2019年写的神经元解析部分。
具体代码如下：
在上面的代码中，我们模拟构建了3层网络（1:3:1），每一层所谓网络实际就是一次np.dot()的计算，也就是矩阵的乘积。我们再看下神经网络的公式：
Y = F(X)+b
现在可以得知Dense（全连接）神经网络的公式就是：
Y = F(X)+b = np.dot(X, W)+b
另外需要注意的是激活函数sigmoid，在前面用TensorFlow构建网络时，我们使用了：
model1.add(layers.Dense(1,activation='sigmoid'))
model1.add(layers.Dense(3,activation='sigmoid'))
model1.add(layers.Dense(1))
所以这里在对Y进行计算后，需要再过一次激活函数。
最后我们再看下计算的结果，发现是一模一样对吧，所以我们手写的是对的。
五、计算过程
自己手写的代码，好处就是我们可以拆解的很细，这里我们将每一步的计算结果都输出来。
为方便理解我们在excel里整理下：
接下来，我们按神经网络的计算规则，从头到尾计算一遍。
1、第一层计算
2、第二层计算
3、第三层计算
六、回顾
本篇我们在前面知识的基础上，对神经网络的计算原理进行了验证，结果还不错。而且还分别使用TensorFlow框架、原生python代码、数值计算进行了相互印证。
实际上所谓的深度学习和神经网络就是像前面我们演示的那要，是各种矩阵的计算。而神经网络本身也是由w和b组成的数字矩阵。但就是这样的简单计算最终实现了非常神奇的功能。不得不感叹，大道至简啊。
基于此，我想到，其实训练可能比较复杂，但训练好后的模型使用还是非常简单的，所以我们可以脱离TensorFlow的框架，在任意平台来应用训练好的模型，也可以针对性的对大矩阵的计算进行优化。
