怎么定义 NeuralNetwork 类

NeuralNetwork类是一个用于构建神经网络的基类，通常包含属性和方法来定义网络结构、前向传播和反向传播。以下是一个简单的Python代码示例，展示了如何定义一个简单的神经网络类：

class NeuralNetwork:
    def __init__(self, input_dim, hidden_dim, output_dim):
        self.input_dim = input_dim
        self.hidden_dim = hidden_dim
        self.output_dim = output_dim
        self.weights_ih = np.random.randn(hidden_dim, input_dim)
        self.weights_ho = np.random.randn(output_dim, hidden_dim)
        self.bias_h = np.random.randn(hidden_dim, 1)
        self.bias_o = np.random.randn(output_dim, 1)
        
    def forward(self, input):
        hidden = np.dot(self.weights_ih, input) + self.bias_h
        hidden = sigmoid(hidden)
        output = np.dot(self.weights_ho, hidden) + self.bias_o
        output = softmax(output)
        return output
    
    def backward(self, input, target, output):
        error = target - output
        output_error = error * softmax_derivative(output)
        hidden_error = np.dot(self.weights_ho.T, output_error) * sigmoid_derivative(hidden)
        self.weights_ho += learning_rate * np.dot(output_error, hidden.T)
        self.weights_ih += learning_rate * np.dot(hidden_error, input.T)
        self.bias_o += learning_rate * output_error
        self.bias_h += learning_rate * hidden_error
        
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def sigmoid_derivative(x):
    return sigmoid(x) * (1 - sigmoid(x))

def softmax(x):
    exp_x = np.exp(x)
    return exp_x / np.sum(exp_x)

def softmax_derivative(x):
    return softmax(x) * (1 - softmax(x))

在这个例子中，我们定义了一个具有输入、隐藏和输出层的简单神经网络。在初始化函数中，我们定义了网络的维度和权重矩阵，以及偏置向量。在前向传播方法中，我们计算了输入数据在网络中的输出，并返回输出向量。在反向传播方法中，我们根据训练数据计算出的误差进行权重和偏置的更新。同时，我们还定义了三个激活函数：sigmoid、softmax和它们的导数函数。