请帮我写一份神经网络的代码

以下是一个简单的神经网络代码示例：

import numpy as np

# 定义神经网络类
class NeuralNetwork:
    def __init__(self, input_size, hidden_size, output_size):
        self.input_size = input_size
        self.hidden_size = hidden_size
        self.output_size = output_size

        # 初始化权重和偏置
        self.weights1 = np.random.randn(self.input_size, self.hidden_size)
        self.bias1 = np.random.randn(self.hidden_size)
        self.weights2 = np.random.randn(self.hidden_size, self.output_size)
        self.bias2 = np.random.randn(self.output_size)

    # 定义前向传播函数
    def forward(self, input):
        self.hidden = np.dot(input, self.weights1) + self.bias1
        self.hidden_activation = self.sigmoid(self.hidden)
        self.output = np.dot(self.hidden_activation, self.weights2) + self.bias2
        return self.output

    # 定义反向传播函数
    def backward(self, input, output, target, learning_rate):
        error = output - target
        output_delta = error * self.sigmoid_derivative(output)
        hidden_error = np.dot(output_delta, self.weights2.T)
        hidden_delta = hidden_error * self.sigmoid_derivative(self.hidden_activation)

        self.weights2 -= learning_rate * np.dot(self.hidden_activation.T, output_delta)
        self.bias2 -= learning_rate * np.sum(output_delta, axis=0)
        self.weights1 -= learning_rate * np.dot(input.T, hidden_delta)
        self.bias1 -= learning_rate * np.sum(hidden_delta, axis=0)

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

    # 定义 sigmoid 导数函数
    def sigmoid_derivative(self, x):
        return x * (1 - x)

这是一个简单的三层神经网络，包含一个输入层、一个隐藏层和一个输出层。在初始化时，我们随机初始化权重和偏置。在前向传播函数中，我们计算隐藏层和输出层的输出，并返回输出层的结果。在反向传播函数中，我们计算输出层和隐藏层的误差，并使用梯度下降法更新权重和偏置。sigmoid 函数和 sigmoid 导数函数用于计算激活函数和梯度。