构建你的第一个深度神经网络：从街灯状态预测行人行为

"Our First"Deep" Neural Network\nIn [15]: import numpy as np\n什么意思\nnp.random.seed(1)\ndef relu(x):\nreturn (x > 0) * x\nalpha = 0.2\nhidden_size = 4\nstreetlights = np.array([[1, 0, 1],[0, 1, 1],[0, 0, 1],[1, 1, 1]])\nwalk_vs_stop = np.array([[1, 1, 0, 0]]).T\nweights_0_1 = 2 * np.random.random((3, hidden_size)) - 1\nweights_12 = 2 * np.random.random((hidden_size, 1)) - 1\nlayer0 = streetlights[0]\nlayer1 = relu(np.dot(layer0, weights_0_1))\nlayer2 = np.dot(layer1, weights_12)\n每一行代码的意思内容： - import numpy as np: 导入numpy库，并将其重命名为np，用于进行数值计算和数组操作。\n - np.random.seed(1): 设置随机数种子为1，以确保每次运行代码时生成的随机数相同。\n - def relu(x): 定义relu函数，接受一个参数x，返回大于0的值乘以x。\n - alpha = 0.2: 设置alpha的值为0.2，用于控制relu函数的斜率。\n - hidden_size = 4: 设置隐藏层的大小为4，表示隐藏层有4个神经元。\n - streetlights = np.array([[1, 0, 1],[0, 1, 1],[0, 0, 1],[1, 1, 1]]): 定义一个二维数组streetlights，表示街灯的状态，每一行表示一个样本，每一列表示一个特征。其中，1表示亮，0表示暗。\n - walk_vs_stop = np.array([[1, 1, 0, 0]]).T: 定义一个二维数组walk_vs_stop，表示行人的行为，每一行表示一个样本，其中1表示停下，0表示走。\n - weights_0_1 = 2 * np.random.random((3, hidden_size)) - 1: 定义一个二维数组weights_0_1，表示第0层到第1层之间的权重，使用随机数初始化，并进行归一化处理，使其取值范围在-1到1之间。\n - weights_12 = 2 * np.random.random((hidden_size, 1)) - 1: 定义一个二维数组weights_12，表示第1层到第2层之间的权重，使用随机数初始化，并进行归一化处理，使其取值范围在-1到1之间。\n - layer0 = streetlights[0]: 从streetlights数组中取出第0行，表示第一个样本的街灯状态。\n - layer1 = relu(np.dot(layer0, weights_0_1)): 计算第1层的输出，使用relu函数对输入进行非线性处理。\n - layer2 = np.dot(layer1, weights_12): 计算第2层的输出，即最终的预测结果。