python实现两层前馈神经网络的forward计算

以下是Python实现两层前馈神经网络的forward计算的示例代码：

import numpy as np

# 输入数据
X = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

# 权重参数
W1 = np.array([[0.1, 0.2], [0.3, 0.4], [0.5, 0.6], [0.7, 0.8]])
W2 = np.array([[0.9, 1.0], [1.1, 1.2]])

# 偏置参数
b1 = np.array([0.1, 0.2])
b2 = np.array([0.3, 0.4])

# 第一层计算
A1 = np.dot(X, W1) + b1
Z1 = 1 / (1 + np.exp(-A1))

# 第二层计算
A2 = np.dot(Z1, W2) + b2
Z2 = 1 / (1 + np.exp(-A2))

# 打印输出
print(Z2)

以上代码中，输入数据X是一个2x4的矩阵，表示有两个样本，每个样本有4个特征。第一层的权重参数W1是一个4x2的矩阵，表示第一层有2个神经元，每个神经元有4个输入特征。第二层的权重参数W2是一个2x2的矩阵，表示第二层有2个神经元，每个神经元有2个输入特征。偏置参数b1和b2分别是1x2的向量，表示第一层和第二层的偏置值。

第一层计算使用矩阵乘法和偏置值加法，然后经过sigmoid函数进行激活，得到第一层输出Z1。第二层计算同样使用矩阵乘法和偏置值加法，然后再经过sigmoid函数进行激活，得到最终的输出Z2。

以上代码输出的结果是一个2x2的矩阵，表示两个样本分别对应的两个分类结果。