1.请编程实现一个3层神经网络，用于解决分类问题：输入层（第0 层）有2 个神经元，第1 个隐藏层（第1 层）有3 个神经元，第2 个隐藏层（第2 层）有8 个神经元，输出层（第3 层）有5 个神经元。权重设置由您来设定。并请给出当输入为10.0和18.0时的输出。

在这个例子中，我们将创建一个基于 Python 的三层神经网络模型，使用 NumPy 库来实现权重矩阵和激活函数。首先，我们需要导入所需的库：

import numpy as np

# 定义激活函数（例如，ReLU 或 Sigmoid）
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 隐藏层激活函数的导数
def sigmoid_derivative(x):
    return x * (1 - x)

# 定义神经网络模型
class ThreeLayerNN:
    def __init__(self, input_size, hidden_layer1_size, hidden_layer2_size, output_size):
        self.weights01 = np.random.randn(input_size, hidden_layer1_size) * 0.1
        self.weights12 = np.random.randn(hidden_layer1_size, hidden_layer2_size) * 0.1
        self.weights23 = np.random.randn(hidden_layer2_size, output_size) * 0.1

    def forward_pass(self, inputs):
        self.layer0 = inputs
        self.layer1 = sigmoid(np.dot(self.layer0, self.weights01))
        self.layer2 = sigmoid(np.dot(self.layer1, self.weights12))
        self.layer3 = sigmoid(np.dot(self.layer2, self.weights23))
        return self.layer3

# 创建神经网络实例并提供输入
nn = ThreeLayerNN(2, 3, 8, 5)
input_data = np.array([10.0, 18.0])
output = nn.forward_pass(input_data)

print(f"输入 {input_data} 经过神经网络后的输出是：{output}")

当你运行这段代码时，它会生成随机权重，并计算给定输入 [10.0, 18.0] 通过网络的输出。注意，由于权重是随机初始化的，所以每次运行都会得到不同的输出。如果需要，可以添加训练循环来优化网络权重。