python实现三层神经网络

Python实现三层神经网络通常使用深度学习库，如TensorFlow或PyTorch。以下是一个简单的示例，使用Keras库（TensorFlow的一个高级接口）来构建一个包含输入层、隐藏层和输出层的三层神经网络：

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

# 定义神经网络模型
def create_three_layer_neural_network(input_dim, hidden_units, output_dim):
    model = Sequential()
    # 输入层
    model.add(Dense(hidden_units, activation='relu', input_dim=input_dim))
    # 隐藏层
    model.add(Dense(hidden_units, activation='relu'))
    # 输出层（根据具体任务选择激活函数，如对于分类问题通常用softmax，回归问题用linear）
    model.add(Dense(output_dim, activation='sigmoid' if output_dim > 1 else 'linear'))
    
    # 编译模型
    model.compile(optimizer='adam', loss='binary_crossentropy' if output_dim == 1 else 'categorical_crossentropy', metrics=['accuracy'])
    return model

# 示例参数
input_dim = 784  # 假设输入是28x28的灰度图像
hidden_units = 64
output_dim = 10  # 对于手写数字识别，输出10个类别

# 创建并编译模型
model = create_three_layer_neural_network(input_dim, hidden_units, output_dim)

在这个例子中，我们首先创建了一个Sequential模型，然后添加了两个全连接层（Dense层），它们分别对应输入层和隐藏层。最后一层根据任务类型（二分类或多分类）有不同的激活函数。最后，我们编译模型，选择合适的优化器、损失函数和评估指标。