构作一个神经网络，用于计算含有两个输入的XOR函数，指定所用神经网络单元的种类

为了构建一个能够计算两个输入的异或(XOR)逻辑的神经网络，我们将使用一种称为“前馈神经网络”(Feedforward Neural Network)的基本结构，特别是全连接层(Dense Layer)，因为它们非常适合处理简单的逻辑运算。我们将使用Sigmoid激活函数，虽然现在更常用ReLU，但Sigmoid在二分类问题中也能工作。

首先，我们需要导入所需的库，如NumPy进行数学运算，以及Keras（如果不在Jupyter notebook中，可能需要安装`tensorflow`库）：

import numpy as np
from keras.models import Sequential
from keras.layers import Dense, Activation

接下来，定义模型：

# 初始化一个Sequential模型
model = Sequential()

# 添加一层隐藏层，2个输入节点（对应于XOR的两个输入），4个神经元（你可以根据需要调整这个数目）
model.add(Dense(units=4, input_dim=2))

# 使用Sigmoid激活函数，对于二分类问题这是合适的
model.add(Activation('sigmoid'))

# 输出层，只有1个神经元，因为我们只需要一个输出表示结果
# 对于XOR，输出层应该有2个神经元，每个神经元对应一个二进制位（0/1）。但是这里我们简化为1个，因为Sigmoid通常用于判断是否达到某个阈值
# model.add(Dense(units=1)) # 如果要使用这种方法，请保留这一行

# 还是使用Sigmoid，因为在异或问题上，我们可以将其看作概率接近0或1
# model.add(Activation('sigmoid')) # 如果要使用这种方法，请保留这一行

# 最后，添加一个线性输出层，不使用激活函数，因为我们需要的是0和1而非概率
model.add(Dense(units=1))
model.add(Activation('linear'))

训练模型之前，你需要准备数据集，包括输入（XOR的两个输入变量）和对应的标签（1表示异或结果为1，0表示结果为0）。然后你可以使用`model.compile()`、`fit()`等函数训练模型。

如果你想要演示整个过程，我可以帮你写一个简化的训练示例，不过你可能希望实际操作时自己处理数据。假设你已经有了一个名为`X_data`和`y_data`的数据集：

# 假设X_data和y_data已经准备好，分别包含输入和标签
model.compile(optimizer='adam', loss='binary_crossentropy', metrics=['accuracy'])  # 二分类交叉熵损失和精度指标

# 训练模型，这里用一个简短的迭代次数
model.fit(X_data, y_data, epochs=500, batch_size=32)

# 查看模型评估结果
test_loss, test_acc = model.evaluate(X_data, y_data)
print(f'Test accuracy: {test_acc}')