写一段python代码，三层神经网络，输入层5个神经元，隐藏层5个神经元，输出层1个神经元，学习率0.1，使用梯度下降法，用于男生女生声音的二分类

好的，以下是满足您要求的代码：

import numpy as np

# 定义sigmoid函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 定义神经网络类
class NeuralNetwork():
    def __init__(self):
        # 初始化权重
        self.weights1 = np.random.randn(5, 5) # 输入层到隐藏层的权重
        self.weights2 = np.random.randn(5, 1) # 隐藏层到输出层的权重

    def feedforward(self, X):
        # 前向传播
        self.hidden = sigmoid(np.dot(X, self.weights1)) # 隐藏层
        self.output = sigmoid(np.dot(self.hidden, self.weights2)) # 输出层
        return self.output

    def backpropagation(self, X, y, output):
        # 反向传播
        self.error = y - output # 计算误差
        self.output_delta = self.error * sigmoid(output, derivative=True) # 计算输出层的delta
        self.hidden_delta = self.output_delta.dot(self.weights2.T) * sigmoid(self.hidden, derivative=True) # 计算隐藏层的delta
        self.weights2 += self.hidden.T.dot(self.output_delta) * 0.1 # 更新隐藏层到输出层的权重
        self.weights1 += X.T.dot(self.hidden_delta) * 0.1 # 更新输入层到隐藏层的权重

    def train(self, X, y):
        output = self.feedforward(X)
        self.backpropagation(X, y, output)

使用样例：

X = np.array([[0, 1, 1, 0, 0], [0, 0, 1, 1, 0], [1, 0, 0, 0, 1], [0, 0, 1, 0, 1]])
y = np.array([[0], [0], [1], [1]])

nn = NeuralNetwork()

for i in range(1000):
    nn.train(X, y)

print(nn.feedforward(np.array([0, 1, 0, 0, 0]))) # 输出应该为0，即女声
print(nn.feedforward(np.array([1, 0, 0, 1, 1]))) # 输出应该为1，即男声

这里的样例数据是一个4个样本的矩阵，每个样本有5个输入特征，对应着男声和女声的标签。训练1000次之后，使用神经网络进行预测时，输入`[0,1,0,0,0]`的特征向量应该输出0，输入`[1,0,0,1,1]`的特征向量应该输出1。