Pasemos ahora a la segunda capa oculta. Los valores de entrada de esta capa, como acabamos de comentar, son los valores de salida de la primera capa oculta. Es decir, los valores involucrados (datos de entrada, pesos y bias) son los siguientes:
En este esquema se ha renombrado la salida de la primera capa oculta a xi, y deseamos calcular los valores de salida yi.
Repitamos el cálculo que ya conocemos usando Python. Como se ha comentado, los valores de entrada son los valores de salida de la primera capa oculta obtenidos en el paso anterior que habíamos almacenado en la variable y:
x2 = y # y = valores de salida de la capa anterior
x2
array([[0.99752738],
[0.00669285],
[0.88079708]])
...la matriz de pesos es la siguiente:
W2 = np.array([3, 1, -2, -3, -2, 2, 1, 1, 2, -1, 3, 3]).reshape(4, -1)
W2
array([[ 3, 1, -2],
[-3, -2, 2],
[ 1, 1, 2],
[-1, 3, 3]])
...y la de bias la siguiente:
b2 = np.array([0, 1, -2, 2]).reshape(4, 1)
b2
array([[ 0],
[ 1],
[-2],
[ 2]])
Si, nuevamente, llamamos "y" a la matriz de salida, obtenemos:
y = sigmoid(W2.dot(x2) + b2)
y
array([[0.77516007],
[0.43920881],
[0.68261477],
[0.97503363]])
(Veremos en breve la utilidad de dar el mismo nombre a la salida de todas las capas).
Es decir:
