用python写一个神经网络学习的模型，数据使用随机数据

好的，以下是一个简单的用 Python 编写的神经网络学习模型，使用随机数据进行训练：

import numpy as np

# 定义神经网络模型
class NeuralNetwork:
    def __init__(self):
        # 随机初始化权重
        self.weights = np.random.rand(3, 1)

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

    def sigmoid_derivative(self, x):
        # sigmoid 激活函数的导数
        return x * (1 - x)

    def train(self, inputs, outputs, iterations):
        for i in range(iterations):
            # 前向传播
            predicted_output = self.predict(inputs)

            # 计算误差
            error = outputs - predicted_output

            # 反向传播
            adjustment = np.dot(inputs.T, error * self.sigmoid_derivative(predicted_output))
            self.weights += adjustment

    def predict(self, inputs):
        # 前向传播
        return self.sigmoid(np.dot(inputs, self.weights))

# 随机生成训练数据
inputs = np.random.rand(100, 3)
outputs = np.random.rand(100, 1)

# 创建神经网络模型并进行训练
neural_network = NeuralNetwork()
neural_network.train(inputs, outputs, 1000)

# 使用训练好的模型进行预测
test_input = np.array([0.5, 0.5, 0.5])
predicted_output = neural_network.predict(test_input)
print(predicted_output)

这个模型使用了一个简单的三层神经网络，其中输入层有三个神经元，输出层有一个神经元。训练数据使用了随机生成的数据，训练过程中使用了梯度下降算法进行优化。最后，我们使用训练好的模型对一个新的输入进行预测。