Долго обучается нейронная сеть на Python

import math
import random
import sys
 
eta=0.01 #скорость обучения
n=5000 #количество эпох обучения
inp=30 #размер входного слоя
m=10 #размер скрытого слоя
y=0 #выходной сигнал
t=0 #целевой сигнал
e=0 #сигнал ошибки
d_y=0 #локальный градиент для последнего нейрона
err=0 #вычисленная ошибка сети для выходного нейрона
err_av=0 #средняя ошибка сети
path='dataTrain.txt' #обучающая выборка
path2='dataStart.txt' #запуск прогноза ИНС
kolday = 365 #количество дней прогнозирования
 
x=[] #обучающая выборка
w=[[0 for j in range(inp)] for i in range(m)] #матрица весов (синапсы)
v=[0 for j in range(m)] #вектор весов выходного слоя
y_s=[0 for j in range(m)] #скрытый слой нейронов
d_y_s=[0 for j in range(m)] #локальные градиенты для нейронов скрытого слоя
averError=[] #массив ошибок НС (по эпохам)
okno=[] #скользящее окно
prognoz=[]
fact=[] #целевые значения
obych=[] #значения, полученные ИНС во время обучения
 
def sigmoid(arg):
  return 1/(1+math.exp(-(arg-0.5)))
 
# def init_x(path):
  #функция считывания обучающей выборки
 
def train():
  for k in range(1, n+1): #цикл по эпохам
    err_av=0
    for f in range(0, len(x)): #цикл по примерам
      for i in range(0, m):
         sum=0
         for j in range(0, inp):
           sum=sum+w[i][j]*x[f][j+2] 
         y_s[i]=sum
      #вычисление активности нейронов скрытого слоя
      for p in range(0, m):
        y_s[p]=sigmoid(y_s[p]) 
      sum=0
      for z in range(0, m):
        sum=sum+v[z]*y_s[z]
      y=sigmoid(sum) #конец прямого распространения ошибки. y - выход
 
      t=x[f][32]
   
      e=y-t
      err=pow(e, 2)/2
      err_av=err_av+err
      
      d_y=e*y*(1-y)
      #модификация весов нейрона выходного слоя
      for q in range(0, m):
        v[q]=v[q]-eta*d_y*y_s[q] 
      for r in range(0, m):
        d_y_s[r]=d_y*v[r] #
      #модификация весов нейронов скрытого слоя
      for i1 in range(0, m):
        for j1 in range(0, inp):
          w[i1][j1]=w[i1][j1]-eta*d_y_s[i1]*y_s[i1]*(1-y_s[i1])*x[f][j1+2] 
    
#def predict(okno, prognoz, kolday):
  #функция построения прогноза
 
init_x(path)
train()
predict(okno, prognoz, kolday)

 for k in range(1, n+1): #цикл по эпохам
    err_av=0
    for f in range(0, len(x)): #цикл по примерам
      for i in range(0, m):
         sum=0
         for j in range(0, inp):
           sum=sum+w[i][j]*x[f][j+2] 
         y_s[i]=sum