请给出使用Python语言编写的神经网络的学习算法代码

以下是使用Python语言编写的简单神经网络学习算法代码：

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, input_nodes, hidden_nodes, output_nodes, learning_rate):
        # 初始化神经网络参数
        self.input_nodes = input_nodes
        self.hidden_nodes = hidden_nodes
        self.output_nodes = output_nodes
        self.learning_rate = learning_rate
        
        # 初始化权重矩阵
        self.weights_input_hidden = np.random.normal(0.0, pow(self.hidden_nodes, -0.5), (self.hidden_nodes, self.input_nodes))
        self.weights_hidden_output = np.random.normal(0.0, pow(self.output_nodes, -0.5), (self.output_nodes, self.hidden_nodes))
        
        # 初始化偏置项
        self.bias_hidden = np.zeros((self.hidden_nodes, 1))
        self.bias_output = np.zeros((self.output_nodes, 1))
        
    # 定义前向传播函数
    def forward(self, inputs):
        # 计算隐藏层输入
        hidden_inputs = np.dot(self.weights_input_hidden, inputs) + self.bias_hidden
        # 计算隐藏层输出
        hidden_outputs = sigmoid(hidden_inputs)
        
        # 计算输出层输入
        output_inputs = np.dot(self.weights_hidden_output, hidden_outputs) + self.bias_output
        # 计算输出层输出
        output_outputs = sigmoid(output_inputs)
        
        return hidden_outputs, output_outputs
    
    # 定义反向传播函数
    def backward(self, inputs, hidden_outputs, output_outputs, targets):
        # 计算输出层误差
        output_errors = targets - output_outputs
        
        # 计算隐藏层误差
        hidden_errors = np.dot(self.weights_hidden_output.T, output_errors) * hidden_outputs * (1 - hidden_outputs)
        
        # 更新输出层权重和偏置项
        self.weights_hidden_output += self.learning_rate * np.dot(output_errors * output_outputs * (1 - output_outputs), hidden_outputs.T)
        self.bias_output += self.learning_rate * output_errors * output_outputs * (1 - output_outputs)
        
        # 更新隐藏层权重和偏置项
        self.weights_input_hidden += self.learning_rate * np.dot(hidden_errors, inputs.T)
        self.bias_hidden += self.learning_rate * hidden_errors
        
    # 定义训练函数
    def train(self, inputs_list, targets_list):
        # 将输入和目标值转化为二维数组
        inputs = np.array(inputs_list, ndmin=2).T
        targets = np.array(targets_list, ndmin=2).T
        
        # 前向传播
        hidden_outputs, output_outputs = self.forward(inputs)
        
        # 反向传播
        self.backward(inputs, hidden_outputs, output_outputs, targets)
        
    # 定义预测函数
    def predict(self, inputs_list):
        # 将输入转化为二维数组
        inputs = np.array(inputs_list, ndmin=2).T
        
        # 前向传播
        _, output_outputs = self.forward(inputs)
        
        return output_outputs

该代码实现了一个简单的全连接前馈神经网络，包括初始化网络参数、前向传播、反向传播、训练和预测等功能。其中，`sigmoid`函数用于激活神经元，`NeuralNetwork`类用于定义神经网络结构和实现学习算法。在训练过程中，将输入和目标值分别传入神经网络中进行前向传播和反向传播；在预测过程中，只需要将输入传入神经网络中进行前向传播即可得到输出值。