Пишу нейронную сеть на Python с несколькими скрытыми слоями, и не знаю, как организовать правильное хранение весов

Написал нейросеть по книжке, теперь хочу сделать ее более универсальной, с регулируемым кол-вом скрытых слоев, но не могу правильно организовать хранение весов и сигналов между слоями

import scipy.special
import numpy as np


class neural_Network:

    #инициализация
    def __init__(self, innodes, hiddenodes, outnodes, learningrate): 

        #задаем кол-во узлов во входном, скрытых и выходном слоях
        self.inodes = innodes
        self.hnodes = hiddenodes
        self.onodes = outnodes

        #Что-то подобное для хранения самих весов
        self.hnodes_count = len(self.hnodes)
        self.wih = [] * self.hnodes_count

        #Создаем матрицы весов
        for i in range(self.hnodes_count):
            if i == 0:
                self.wih[i] = np.random.normal(0.0, pow(self.hnodes[i], -0.5),(self.hnodes[i], self.inodes))
            else:
                self.wih[i] = np.random.normal(0.0, pow(self.hnodes[i], -0.5),(self.hnodes[i], self.hnodes[i-1]))

        self.who = np.random.normal(0.0, pow(self.onodes, -0.5),(self.onodes, self.hnodes[-1]))

        #print(self.wih)
        #print(self.who)

        #кэфф. обучения
        self.lr = learningrate


    #обучение
    def train(self, inputs_list, targets_list):
        #преобразуем полученные данные в двумерные массивы
        inputs = np.array(inputs_list, ndmin = 2).T
        targets = np.array(targets_list, ndmin = 2).T


        # так же как-то надо хранить сигналы со всех слоев
        hidden_inputs = [] * self.hnodes_count
        hidden_outputs = [] * self.hnodes_count

        for i in range(self.hnodes_count):
            if i == 0: 
                # рассчитываем входящие сигналы для первого скрытого слоя
                hidden_inputs[i] = np.dot(self.wih[i], inputs)
                # рассчитываем исходящие сигналы для первого скрытого слоя
                hidden_outputs[i] = scipy.special.expit(hidden_inputs[i])
            else:
                # рассчитываем входящие сигналы для первого скрытого слоя
                hidden_inputs[i] = np.dot(self.wih[i], hidden_outputs[i-1])
                # рассчитываем исходящие сигналы для первого скрытого слоя
                hidden_outputs[i] = scipy.special.expit(hidden_inputs[i])


        # рассчитываем входящие сигналы для выходного слоя
        final_inputs = np.dot (self.who, hidden_outputs[-1])
        # рассчитываем исходящие сигналы для выходного слоя
        final_outputs = scipy.special.expit(final_inputs)       

        #вычисляем ошибку
        out_errors = final_outputs - targets

        #распределяем ошибки по скрытому слою
        hidden_errors = np.dot (self.who.T, out_errors) 

        #обновляем веса связей между узлами скрытого и выходного слоев
        self.who += self.lr * np.dot ((final_outputs * (1 - final_outputs)), np.transpose(hidden_outputs))

        #обновляем веса связей между узлами входного и скрытого слоев
        self.wih += self.lr * np.dot ((final_inputs * (1 - final_inputs)), np.transpose(hidden_inputs))

        pass

    #опрос
    def query(self, inputs_list): 

        #создаем двумерный массив входных зачений
        inputs = np.array(inputs_list, ndmin = 2).T

        hidden_inputs = [] * self.hnodes_count
        hidden_outputs = [] * self.hnodes_count

        for i in range(self.hnodes_count):
            if i == 0: 

                # рассчитываем входящие сигналы для первого скрытого слоя
                hidden_inputs[i] = np.dot(self.wih[i], inputs)
                # рассчитываем исходящие сигналы для первого скрытого слоя
                hidden_outputs[i] = scipy.special.expit(hidden_inputs[i])
            else:
                # рассчитываем входящие сигналы для первого скрытого слоя
                hidden_inputs[i] = np.dot(self.wih[i], hidden_outputs[i-1])
                # рассчитываем исходящие сигналы для первого скрытого слоя
                hidden_outputs[i] = scipy.special.expit(hidden_inputs[i])


        # рассчитываем входящие сигналы для выходного слоя
        final_inputs = np.dot (self.who, hidden_outputs[-1])
        # рассчитываем исходящие сигналы для выходного слоя
        final_outputs = scipy.special.expit(final_inputs)

        return(final_outputs)

        pass

input_nodes = 3
hidde_nodes = [4, 5]
out_nodes = 5

learning_rate = 0.2

n = neural_Network(input_nodes, hidde_nodes, out_nodes, learning_rate)

print(n.query([1, 3, 7]))