python写个深度学习模型不使用第三方库

写深度学习模型需要使用矩阵运算，如果不使用第三方库，需要手动实现矩阵运算，比较复杂。不过，我们可以通过 numpy 库来实现矩阵运算，因此这里介绍如何使用 numpy 库来写一个简单的神经网络模型。

首先，我们需要导入 numpy 库：

import numpy as np

然后，我们定义一个两层的神经网络，包括一个输入层、一个隐藏层和一个输出层。输入层有两个节点，隐藏层有三个节点，输出层有一个节点。我们使用 sigmoid 函数作为激活函数。

class NeuralNetwork:
    def __init__(self):
        # 初始化权重和偏置
        self.weights1 = np.random.rand(2, 3)
        self.bias1 = np.random.rand(3)
        self.weights2 = np.random.rand(3, 1)
        self.bias2 = np.random.rand(1)

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

    def forward(self, x):
        # 前向传播
        z1 = np.dot(x, self.weights1) + self.bias1
        a1 = self.sigmoid(z1)
        z2 = np.dot(a1, self.weights2) + self.bias2
        a2 = self.sigmoid(z2)
        return a2

在初始化函数中，我们随机生成权重和偏置。在 forward 函数中，我们首先进行第一层的计算，然后应用 sigmoid 函数，然后进行第二层的计算，并再次应用 sigmoid 函数，最后返回输出层的结果。

现在，我们可以创建一个 NeuralNetwork 对象，并使用输入数据进行预测：

nn = NeuralNetwork()
x = np.array([0.5, 0.2])
y = nn.forward(x)
print(y)

这里，输入数据为 [0.5, 0.2]，输出为一个数值，表示神经网络的预测结果。

这只是一个简单的神经网络模型，如果需要实现更复杂的模型，需要对矩阵运算和激活函数进行更深入的了解。