Ошибка "SyntaxError: invalid syntax"

import numpy as np
import sys
 
class NeurNet(object):
    
    def _init_(self, learning_rate = 0.05):
        self.weights_inp_hid = np.random.normal(0.0, 2**-0.5,(2,3))
        self.weights_hid_out = np.random.normal(0.0, 1,(1,2))
        self.sigmoid_mapper =  np.vectorise(self.sigmoid)
        self.learning_rate = np.array([learning_rate])
        
    def sigmoid(self, x):
        return 1/(1+np.exp(-x))
    
    def forward_go(self, vhodniye_znach):
        
        input_act = seelf.sigmoid_mapper(vhodniye_znach) # нормализация значений в первом слое
        
        input_hid = np.dot(self.weights_inp_hid, input_act)  
        output_hid = seelf.sigmoid_mapper(input_hid) # активация
        
        input_out = np.dot(self.weights_hid_out, output_hid)  
        output_out = seelf.sigmoid_mapper(input_out) # активация
        
        return output_out
    
    def backpropogation(self, inputs, pravilnoe_znachenie):
        
        # прямое распространение:
        input_act = seelf.sigmoid_mapper(vhodniye_znach)   # нормализация значений в первом слое
        
        input_hid = np.dot(self.weights_inp_hid, input_act)
        output_hid = seelf.sigmoid_mapper(input_hid)
        
        input_out = np.dot(self.weights_hid_out, output_hid)
        output_out = seelf.sigmoid_mapper(input_out)
        # закончилось прямое распространение
        
        otvet = output_out
                
        error_out = np.array([otvet - pravilnyi_otvet])
        gradient_out = otvet * (1 - otvet)  # производная выходного слоя ( по сигмоиде) 
        weights_delta_hid_out = error_out * gradient_out
        weights_hid_out -= (np.dot( weights_delta_hid_out, output_hid.reshape(1, len(output_hid))) * self.learning_rate
        
        error_hid = weights_delta_hid_out * self.weights_hid_out
                                  
        gradient_hid = output_hid * (1 - output_hid)   # производная выходного слоя (по сигмоиде) 
        weights_delta_inp_hid = error_hid * gradient_hid
        weights_inp_hid -= np.dot(input_act.reshape(len(input_act),1), weights_delta_inp_hid).T * self.learning_rate

weights_hid_out -= (np.dot( weights_delta_hid_out, output_hid.reshape(1, len(output_hid))) * self.learning_rate