python手写三层神经网络

在Python中，我们可以使用一些库如TensorFlow或PyTorch来构建一个简单的三层神经网络（也称为全连接层网络）。这里我将用TensorFlow为例，展示如何编写代码：

import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 定义模型结构
def create_three_layer_neural_network(input_dim, hidden_units1, hidden_units2, output_dim):
    model = Sequential()
    # 输入层
    model.add(Dense(hidden_units1, activation='relu', input_dim=input_dim))
    # 第一个隐藏层
    model.add(Dense(hidden_units2, activation='relu'))
    # 输出层（最后一层）
    model.add(Dense(output_dim, activation='softmax'))  # 假设这是一个分类问题，所以用softmax激活

    return model

# 示例参数
input_dim = 784  # 假设输入数据有784维（如MNIST数据集中的像素值）
hidden_units1 = 64
hidden_units2 = 32
output_dim = 10  # 对于10分类任务

# 创建模型实例
model = create_three_layer_neural_network(input_dim, hidden_units1, hidden_units2, output_dim)

# 编译模型，指定损失函数、优化器和评价指标
model.compile(loss='sparse_categorical_crossentropy', 
              optimizer='adam',
              metrics=['accuracy'])

# 显示模型结构
model.summary()

在这个例子中，我们首先导入必要的模块，然后定义一个函数`create_three_layer_neural_network`来创建一个顺序模型（Sequential），包括两个隐藏层和一个输出层。每个隐藏层使用ReLU作为激活函数，输出层则根据任务选择合适的激活函数（对于多分类问题通常用softmax）。

然后，我们创建一个具体的三层网络实例，并编译模型，设置适当的训练参数。最后，我们打印模型的摘要，查看其结构。

如果你想要训练这个模型，你需要准备相应的训练数据和标签，调用`fit()`方法进行训练，并可能添加验证数据来监控模型性能。