写一段神经网络代码，注释写详细

以下是一个简单的神经网络代码，实现了一个两层的前向传播过程，其中包括输入层、隐藏层和输出层。注释包含了详细的说明，帮助理解代码实现的过程。

import numpy as np

# 定义输入数据
X = np.array([[0, 0, 1],
              [0, 1, 1],
              [1, 0, 1],
              [1, 1, 1]])

# 定义标签数据
y = np.array([[0],
              [1],
              [1],
              [0]])

# 设置随机种子，确保每次运行结果一致
np.random.seed(1)

# 初始化权重参数，W1表示从输入层到隐藏层的权重，W2表示从隐藏层到输出层的权重
W1 = np.random.randn(3, 4)
W2 = np.random.randn(4, 1)

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

# 定义前向传播过程
def forward_propagation(X, W1, W2):
    # 计算隐藏层的输入
    z1 = np.dot(X, W1)
    # 计算隐藏层的输出
    a1 = sigmoid(z1)
    # 计算输出层的输入
    z2 = np.dot(a1, W2)
    # 计算输出层的输出
    a2 = sigmoid(z2)
    return a1, a2

# 定义损失函数
def compute_cost(y, y_hat):
    # 计算交叉熵损失
    cost = -np.sum(y * np.log(y_hat) + (1 - y) * np.log(1 - y_hat))
    return cost

# 定义反向传播过程
def backward_propagation(X, y, a1, a2, W1, W2):
    # 计算输出层的误差
    delta2 = (a2 - y) * a2 * (1 - a2)
    # 计算隐藏层的误差
    delta1 = np.dot(delta2, W2.T) * a1 * (1 - a1)
    # 更新权重参数
    W2 -= np.dot(a1.T, delta2)
    W1 -= np.dot(X.T, delta1)
    return W1, W2

# 训练模型
for i in range(10000):
    # 前向传播
    a1, a2 = forward_propagation(X, W1, W2)
    # 计算损失
    cost = compute_cost(y, a2)
    # 反向传播
    W1, W2 = backward_propagation(X, y, a1, a2, W1, W2)
    # 每1000次迭代输出一次损失
    if i % 1000 == 0:
        print("Iteration: %d, Cost: %.4f" % (i, cost))

该代码实现了一个简单的两层神经网络，其中输入层有3个节点，输出层有1个节点，隐藏层有4个节点。使用sigmoid作为激活函数，并使用交叉熵作为损失函数。在训练过程中，使用反向传播算法更新权重参数，以最小化损失函数。