使用Python 3.5，我执行以下操作

from sklearn.neural_network import MLPRegressorimport pandas as pd

from sklearn import datasetsfrom sklearn.decomposition import PCA

# 导入一些数据进行操作iris = datasets.load_iris()X = iris.data[0:100, :2]  # 我们只取前两个特征。Y = iris.target[0:100]X = StandardScaler().fit_transform(X)X_train, X_test, y_train, y_test = train_test_split(X, Y, test_size=0.15)reg = MLPRegressor(hidden_layer_sizes=(10,),                           solver="lbfgs", #solver="lbfgs",                           max_iter = 10000,                           activation = 'relu')reg.fit(X_train,y_train)

我可以使用 reg.coefs_[0] 获取矩阵，但当我将它与测试用例相乘时，得到的结果既不是0也不是1

我试图做的是基于实验室数据训练一个ANN，然后将其实现为硬件上的矩阵乘法。该硬件可以进行基本的算术运算，因此我需要将我的ANN分解成矩阵，然后将矩阵乘法编程为迭代的乘法/加法

回答：

简短的、针对此问题的回答是

np.dot((np.dot(X_test[0],reg.coefs_[0]) +reg.intercepts_[0] ),reg.coefs_[1]) + reg.intercepts_[1]

详细的回答如下（更长的版本在这里： https://www.mohammadathar.com/blog/2017/2/15/a-different-look-at-neural-networks )

感知器神经网络可以这样建模：

这实际上意味着，“将输入值乘以权重，然后相加。再加上一个偏置值。然后激活。然后乘以权重，再相加。然后激活。重复这个过程！”

作为矩阵数学，它看起来像这样

所以 reg.coefs_ 是矩阵系数（按层），而 reg.intercepts_ 是激活值（同样，按层）