Neural network base

class NeuralNetwork:

    # инициализация
    def __init__(self, inputNodes, hiddenNodes, outputNodes, learningRate): # кол-во входных узлов, скрытых и выходных; коэффициент обучения

        self.iNodes = inputNodes
        self.hNodes = hiddenNodes
        self.oNodes = outputNodes

        self.wih = numpy.random.rand(self.hNodes, self.iNodes) - 0.5
        self.who = numpy.random.rand(self.oNodes, self.hNodes) - 0.5

        self.lr = learningRate

        self.activation = lambda x: scipy.special.expit(x)


    # тренировка
    def train(self, inputs_list, targets_list):
        # преобразование списка входных значений в двумерный массив
        inputs = numpy.array(inputs_list, ndmin = 2).T
        targets = numpy.array(targets_list, ndmin = 2).T

        # вычисления
        hidden_inputs = numpy.dot(self.wih, inputs)
        hidden_outputs = self.activation(hidden_inputs)
        final_inputs = numpy.dot(self.who, hidden_outputs)
        final_outputs = self.activation(final_inputs)

        # вычисление ошибок
        output_errors = targets - final_outputs
        hidden_errors = numpy.dot(self.who.T, output_errors)

        # обновление весовых коэффициентов
        self.who += self.lr * numpy.dot((output_errors * final_outputs * (1.0 - final_outputs)), hidden_outputs.T)
        self.wih += self.lr * numpy.dot((hidden_errors * hidden_outputs * (1.0 - hidden_outputs)), inputs.T)


    # запросы
    def query(self, inputs_list):

        # преобразование списка входных значений в двумерный массив
        inputs = numpy.array(inputs_list, ndmin = 2).T

        hidden_inputs = numpy.dot(self.wih, inputs)

        hidden_outputs = self.activation(hidden_inputs)

        final_inputs = numpy.dot(self.who, hidden_outputs)
        final_outputs = self.activation(final_inputs)

        return final_outputs