写一个MLP的神经网络

好的，以下是一个简单的多层感知器（MLP）神经网络的Python代码：

import numpy as np

class MLP:
    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
        self.weights_input_hidden = np.random.randn(self.hidden_size, self.input_size)
        self.weights_hidden_output = np.random.randn(self.output_size, self.hidden_size)
        
        # 初始化偏置
        self.bias_hidden = np.random.randn(self.hidden_size, 1)
        self.bias_output = np.random.randn(self.output_size, 1)
        
    def forward(self, input_data):
        # 输入层到隐藏层的计算
        hidden = np.dot(self.weights_input_hidden, input_data) + self.bias_hidden
        hidden = self.sigmoid(hidden)
        
        # 隐藏层到输出层的计算
        output = np.dot(self.weights_hidden_output, hidden) + self.bias_output
        output = self.sigmoid(output)
        
        return output
    
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))

这个神经网络有一个输入层，一个隐藏层和一个输出层。在初始化时，我们需要指定输入层，隐藏层和输出层的大小。然后我们随机初始化权重和偏置。在前向传播中，我们计算输入层到隐藏层和隐藏层到输出层的输出，并将它们通过sigmoid函数转换为概率。