用python写个前馈神经网络

下面是一个简单的前馈神经网络的 Python 代码示例：

import numpy as np

# 定义激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义前馈神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        # 随机初始化权重
        self.weights1 = np.random.randn(input_size, hidden_size)
        self.weights2 = np.random.randn(hidden_size, output_size)

    def forward(self, X):
        # 前向传播
        self.hidden_layer = sigmoid(np.dot(X, self.weights1))
        self.output_layer = sigmoid(np.dot(self.hidden_layer, self.weights2))
        return self.output_layer

    def backward(self, X, y, output):
        # 反向传播
        self.output_error = y - output
        self.output_delta = self.output_error * self.sigmoid_derivative(self.output_layer)

        self.hidden_error = self.output_delta.dot(self.weights2.T)
        self.hidden_delta = self.hidden_error * self.sigmoid_derivative(self.hidden_layer)

        self.weights1 += X.T.dot(self.hidden_delta)
        self.weights2 += self.hidden_layer.T.dot(self.output_delta)

    def train(self, X, y):
        output = self.forward(X)
        self.backward(X, y, output)

    def sigmoid_derivative(self, x):
        return x * (1 - x)

在这个代码示例中，我们定义了一个名为 `NeuralNetwork` 的类，它包含三个参数：输入层、隐藏层和输出层的大小。在初始化方法中，我们随机初始化了两个权重矩阵。

然后我们定义了一个 `forward` 方法来执行前向传播，和一个 `backward` 方法来执行反向传播。最后，我们定义了一个 `train` 方法来训练模型。

这个神经网络使用了 sigmoid 激活函数，并且使用了梯度下降算法来更新权重。你可以根据自己的需求修改代码中的参数和激活函数。