オライリー・ジャパンの「ゼロから作る Deep Learning」という本についての質問です。

疑問は、p.114の以下のコードについてです。


import sys, os
sys.path.append(os.pardir)
from common.functions import *
from common.gradient import numerical_gradient

class TwoLayerNet:

    def __init__(self, input_size, hidden_size, output_size, weight_init_std = 0.01):
        """
            input_size・・入力層の数
            hidden_size・・中間層の数
            output_size・・出力層の数
            weight_init_std
        """

        #重みの初期化
        self.params = {}
        self.params['W1'] = weight_init_std * np.random.randn(input_size, hidden_size)
        self.params['b1'] = np.zeros(hidden_size)
        self.params['W2'] = weight_init_std * np.random.randn(hidden_size, output_size)
        self.params['b2'] = np.zeros(output_size)


    def predict(self, x):
        """
            入力値をもとに予測をする
        """

        W1, W2 = self.params['W1'], self.params['W2']
        b1, b2 = self.params['b1'], self.params['b2']

        a1 = np.dot(x, W1) + b1
        z1 = sigmoid(a1)
        a2 = np.dot(z1, W2) +  b2
        y = softmax(a2)
        return y


    def loss(self, x, t):
        """
            損失関数・・どれぐらい教師データと値が違うかを求める　返り値が大きいほど合っていない
            x・・入力データ
            t・・教師データ
        """
        y = self.predict(x)
        return cross_entropy_error(y, t)


    def accuracy(self, x, t):
        """
            返り値・・0から1の値　大きいほど入力データからの予測値と、教師データの値が一致している
        """
        y = self.predict(x)
        y = np.argmax(y, axis=1)
        t = np.argmax(t, axis=1)

        accuracy = np.sum(y == t) / float(x.shape[0])
        return accuracy


    def numerical_gradient(self, x, t):
        """
            重みパラメータに対する勾配を求める
            x・・入力データ
            t・・教師データ
            grads・・勾配を保持するディクショナリ変数
        """
        loss_W = lambda W: self.loss(x, t)   #loss_Wはloss関数と等しい
        grads = {}
        grads['W1'] = numerical_gradient(loss_W, self.params['W1'])
        grads['b1'] = numerical_gradient(loss_W, self.params['b1'])
        grads['W2'] = numerical_gradient(loss_W, self.params['W2'])
        grads['b2'] = numerical_gradient(loss_W, self.params['b2'])
        return grads