Summary  
This chapter covers implementing a `forward()` method that iterates through each layer in a Perceptron class, passing the output of one layer as the input to the next to compute the final result.

General domain of usage  
Neural network inference in machine learning

Du har redan implementerat framåtriktad propagiering för ett enskilt lager i föregående kapitel. Nu är målet att implementera **fullständig framåtriktad propagiering**, från indata till utdata.

För att implementera hela processen för framåtriktad propagiering behöver du definiera metoden `forward()` i klassen `Perceptron`. Denna metod utför framåtriktad propagiering **lager för lager** genom att anropa respektive metod för varje lager:

```python
class Perceptron:
    def __init__(self, layers):
        self.layers = layers

    def forward(self, inputs):
        x = inputs
        for layer in ...:
            # Pass x layer by layer
            x = ...

        return ...
```

Indatan passerar genom det första dolda lagret, där **varje lagers utdata fungerar som indata till nästa**, tills den slutliga utgången produceras i det sista lagret.

import unittest
import importlib
import numpy as np


def _dynamic_test(test_case, condition, success_msg, failure_msg):
    if condition:
        test_case._testMethodName = success_msg
        test_case.assertTrue(True, success_msg)
    else:
        test_case._testMethodName = failure_msg
        test_case.fail(failure_msg)


class TestPerceptronForward(unittest.TestCase):

    @classmethod
    def setUpClass(cls):
        # Import user code
        cls.user_code = importlib.import_module("user_code")
        np.random.seed(10)

        # Build perceptron as in the task
        cls.perceptron = cls.user_code.perceptron
        cls.inputs = [1, 0]

        # Compute user output
        cls.user_output = cls.perceptron.forward(cls.inputs)

        # Reference forward computation (deterministic)
        # Rebuild layers with same seed and logic from layers.py
        from layers import hidden_1, hidden_2, output_layer

        def forward_reference(inputs):
            x = inputs
            for layer in [hidden_1, hidden_2, output_layer]:
                x = layer.forward(x)
            return x

        cls.ref_output = forward_reference(cls.inputs)

    def test_output_type(self):
        _dynamic_test(
            self,
            isinstance(self.user_output, np.ndarray),
            "Output type is NumPy array",
            "Output type is incorrect (must be NumPy array)",
        )

    def test_output_shape(self):
        _dynamic_test(
            self,
            self.user_output.shape == (1, 1),
            "Output shape is correct (1, 1)",
            f"Output shape is incorrect: got {self.user_output.shape}",
        )

    def test_forward_result_value(self):
        _dynamic_test(
            self,
            np.allclose(self.user_output, self.ref_output, atol=1e-6),
            "Forward propagation output is correct",
            f"Forward propagation output is incorrect: got {self.user_output}, expected {self.ref_output}",
        )

    def test_output_range(self):
        val = float(self.user_output[0, 0])
        _dynamic_test(
            self,
            0 <= val <= 1,
            "Output is within (0, 1) as expected for sigmoid activation",
            f"Output value {val} is outside expected sigmoid range (0,1)",
        )

    def test_determinism(self):
        # Recompute again to ensure reproducibility
        np.random.seed(10)
        out2 = self.user_code.perceptron.forward(self.inputs)
        _dynamic_test(
            self,
            np.allclose(out2, self.user_output, atol=1e-6),
            "Forward pass is deterministic",
            "Forward pass produces inconsistent results between runs",
        )


if __name__ == "__main__":
    unittest.main(argv=["first-arg-is-ignored"], exit=False)


test_code.py

Fokuserar på de matematiska grunderna och kärnmekaniken hos neurala nätverk. Lär dig att implementera perceptroner, aktiveringsfunktioner, framåt- och bakåtspridning, förlustberäkning och gradientnedstigning från grunden med Python och NumPy, utan att använda hög-nivåramverk. Få praktisk, hands-on erfarenhet och djup intuition för hur neurala nätverk fungerar på den lägsta nivån.

Framåtriktad Propagiering

Lösning