Перцептрон с NumPy

import numpy as np
# Библиотека для работы с многомерными списками
 
def sigmoid(x):
    return 1 / (np.exp(-x) + 1)
# Функция активации Сигмоид
def sigmoid_deriactive(x):
    return x * (1 - x)
 
np.random.seed(1)
# Присваивание зерна встроенному в NumPy генератору рандомных чисел
 
training_inputs = np.array([[1, 0, 1],
                            [0, 1, 0],
                            [1, 1, 1],
                            [0, 0, 1],
                            [0, 0, 0],
                            [1, 1, 0]])
# Создание матрицы NumPy для тренировочных вводов
 
training_outputs = np.array([[1, 1, 1, 0, 1, 0]]).T
# Создание и транспонирование матрицы NumPy для тренировочных выходов
 
synaptic_weights = 2 * np.random.random((6, 1)) - 1
# Инициализация случайных весов
 
print(f"Синаптические веса перед обучением:\n{synaptic_weights}\n")
 
for i in range(20000):
    input_layer = training_inputs
    outputs = sigmoid(np.dot(input_layer, synaptic_weights))
 
    err = training_outputs - outputs
    adjustments = err * sigmoid_deriactive(outputs)
 
    synaptic_weights += np.dot(input_layer.T, adjustments)
 
print(f"Обученные веса:\n{synaptic_weights}\n")
print(f"Результаты:")
print(f"{training_inputs[0]} = {outputs[0]}")
print(f"{training_inputs[1]} = {outputs[1]}")
print(f"{training_inputs[2]} = {outputs[2]}")
print(f"{training_inputs[3]} = {outputs[3]}\n")
 
test_input = np.array([0, 0, 0])
output = sigmoid(np.dot(test_input, synaptic_weights))
print("Тест")
print(f"{test_input} = {output[0]}")

synaptic_weights = 2 * np.random.random((3, 1)) - 1