Нейронная сеть на Python (Таблица умножения)

import numpy as np
 
# Сигмоида 
def nonlin(x, deriv=False):
    if(deriv==True):
        return (np.exp(-x))/((1+np.exp(-x))**2) #Производная сигмоидной функции
    return 1/(1+np.exp(-x))
    
# набор входных данных
X = np.array([[1, 2], [2, 2], [3, 2], [4, 2], [5, 2], [6, 2], [7, 2], [8, 2], [9, 2]])
# выходные данные            
y = np.array([[2], [4], [6], [8], [10], [12], [14], [16], [18]])
# сделаем случайные числа более определёнными
np.random.seed(1)
 
# инициализируем веса случайным образом со средним 0
syn0 = 2*np.random.random((2, 9)) - 1
syn1 = 2*np.random.random((9, 1)) - 1
 
'''X = np.array([[0,0,1],
            [0,1,1],
            [1,0,1],
            [1,1,1]])
                
y = np.array([[0],
            [1],
            [1],
            [0]])
 
np.random.seed(1)
 
# случайно инициализируем веса, в среднем - 0
syn0 = 2*np.random.random((3,4)) - 1
syn1 = 2*np.random.random((4,1)) - 1'''
 
for j in range(100000):
 
    # прямое распространение
    l0 = X
    l1 = nonlin(np.dot(l0, syn0))
    l2 = nonlin(np.dot(l1, syn1))
    
    # насколько мы ошиблись?
    l2_error = y - l2
 
    if (j % 10000) == 0:
        print ("Error:" + str(np.mean(np.abs(l2_error))))
        
    # в какую сторону нужно двигаться?
    # если мы были уверены в предсказании, то сильно менять его не надо
    l2_delta = l2_error*nonlin(l2,deriv=True)
 
    # как сильно значения l1 влияют на ошибки в l2?
    l1_error = l2_delta.dot(syn1.transpose())
    
    # в каком направлении нужно двигаться, чтобы прийти к l1?
    # если мы были уверены в предсказании, то сильно менять его не надо
    l1_delta = l1_error * nonlin(l1,deriv=True)
 
    syn1 += l1.T.dot(l2_delta)
    syn0 += l0.T.dot(l1_delta)
 
print ("Выходные данные после тренировки:")
print (l2)