Summary  
This chapter covers implementing complete forward propagation in a multi-layer perceptron by iteratively passing inputs through each layer’s forward method to produce the final outputs.

General domain of usage  
Machine learning model inference

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 det sista lagret nås för att producera slutgiltig utdata.

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

Neurala nätverk är kraftfulla algoritmer inspirerade av den mänskliga hjärnans struktur som används för att lösa komplexa maskininlärningsproblem. Du kommer att bygga ett eget neuralt nätverk från grunden för att förstå hur det fungerar. Efter denna kurs kommer du att kunna skapa neurala nätverk för att lösa klassificerings- och regressionsproblem med hjälp av scikit-learn-biblioteket.

Först kommer vi att diskutera vad ett neuralt nätverk är och hur det fungerar. Vi kommer även att behandla dess användningsområden.

Därefter kommer vi att försöka bygga vårt eget neuronnätverk och se hur effektivt det klarar av inlärning. Vi kommer även att titta på en färdig lösning från scikit-learn-biblioteket.

Slutligen kommer vi att ge dig ytterligare användbar information om hur du kan förstå vilken modell som ska användas och vilka typer av neurala nätverk som finns. För att slutföra kursen kommer dina förvärvade kunskaper att testas.

Framåtriktad Spridning

Lösning

Awesome!

Framåtriktad Spridning

Lösning