NEURO | Python Fiddle

# Импортируем научную библиотеку для работы с массивами и матрицами+c графикой
import numpy as np
import matplotlib.pyplot as plt
#import seaborn as sns сделает графики приятными

# x = (часов спал, часов учил), y = оценка на тесте по 100 бальной шкале
X = np.array(([3,5], [5,1], [10,2]), dtype=float) # array - функция, создающая объект типа ndarray
y = np.array(([75], [82], [93]), dtype=float)#полученное количество баллов

#Проверка инициализации массивов
#print("Массив входных данных {}".format(X))
#print("Массив входных данных {}".format(Y))
#Блок масштабирования данных

X = X/np.amax(X, axis=0) #Масштабирование наших данных. Делим на максимальное значение 10
y = y/100 #Делим на максимально возможное значение 100
#Проверка МАСШТАБИРОВАНИЯ массивов
#print("{}".format(X))
#print("{}".format(y))

print ("{} {}".format(X.shape, y.shape))#функция shape(форма)показывает размерность созданного массива

# Создаем класс - объект НАША НЕЙРОСЕТЬ
class Neural_Network(object):
    def __init__(self):  # функция с методом инит.Селф указывает какие свойства есть у каждого экземпляра объекта
    #Задание гиперпараметров(не меняются при обучении)
        self.inputLayerSize = 2 #задание КОЛИЧЕСТВА ВХОДНЫХ СЛОЕВ
        self.outputLayerSize = 1 #задание КОЛИЧЕСТВА ВЫХОДНЫХ СЛОЕВ
        self.hiddenLayerSize = 3 #задание КОЛИЧЕСТВА СКРЫТЫХ СЛОЕВ
        # Веса (их параметры) случайным образом в начальном рассмотрении
        self.W1 = np.random.randn(self.inputLayerSize, self.hiddenLayerSize) # ОТ ВХОДНЫХ К СКРЫТЫМ
        self.W2 = np.random.randn(self.hiddenLayerSize, self.outputLayerSize) # ОТ СКРЫТЫХ К ВЫХОДУ

# ФУНКЦИЯ ПРЯМОГО РАСПРОСТРАНЕНИЯ
    def forward(self, X):
        self.z2 = np.dot(X, self.W1) # Z2 = X * W2 - матрица сигналов передаваемых в скрытые нейроны
        self.a2 = self.sigmoid(self.z2) # A2 = Fsig (Z2) - матрица значений НЕЙРОНОВ СКРЫТОГО СЛОЯ
        self.z3 = np.dot(self.a2, self.W2) # Z3 = A2 * W2 - матрица сигналов передаваемых к ВЫХОДУ
        yHat = self.sigmoid(self.z3) # Yhat = Fsig (Z3) - вычисление финального значения теста с помощью сигмоида
        return yHat # возвращаем итоговое значение теста

# СИГМОИД
    def sigmoid(z): #определяем функцию СИГМОИДА
        return 1/(1+np.exp(-z)) #возвращаем значение сигмоида в зависимости от входа- матрицы вектора или скаляра

# Проверка работоспособности сигмоида
testInput = np.arange(-6,6,0.1)
plt.plot(testInput,Neural_Network.sigmoid(testInput))
plt.show()

NN = Neural_Network()
yHat = NN.forward(X)
print("{}".format(yHat))

Python Fiddle

Python Cloud IDE