构建神经网络，输出8个神经元，分别预测未来温度的8位二进制表示。 写出代码

构建一个多层感知机（MLP）以预测未来温度的8位二进制表示，通常使用深度学习库如TensorFlow或PyTorch。这里是一个使用Keras（TensorFlow的一个高级API）的例子，假设你有历史温度数据作为输入：

import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense

# 假设你的数据已经分为输入特征（X）和目标标签（y），y是以二进制形式的温度
# X.shape = (样本数, 输入维度)
# y.shape = (样本数, 8)  (每个样本对应8位二进制）

# 定义模型
model = Sequential([
    Dense(64, activation='relu', input_shape=(X.shape[1],)),  # 首个隐藏层
    Dense(64, activation='relu'),  # 中间隐藏层
    Dense(8, activation='sigmoid')  # 输出层，使用sigmoid激活函数，因为它限制了输出范围在0到1之间
])

# 编译模型
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])

# 训练模型
model.fit(X, y, epochs=100, batch_size=32)

# 测试模型
test_loss, test_acc = model.evaluate(X_test, y_test)

# 对新的输入进行预测
new_input = ...  # 这里放你要预测的新数据
predicted_binary = model.predict(new_input).round()  # 将输出的浮点数四舍五入到整数

请注意，这个例子假设你已经有了经过适当预处理的历史温度数据，并且数据已经被转化为能用于模型训练的形式。在实际操作中，你还需要处理数据不平衡、归一化等问题。