将下面的神经网络编程实现,其中隐含层和输出层的激沽函数都是sigmoid函数,不限编

以下是Python代码实现一个具有一个隐含层的神经网络，其激活函数为sigmoid函数：

import numpy as np

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
        
        # 初始化权重矩阵和偏置向量
        self.W1 = np.random.randn(input_size, hidden_size)
        self.b1 = np.zeros((1, hidden_size))
        self.W2 = np.random.randn(hidden_size, output_size)
        self.b2 = np.zeros((1, output_size))
    
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def forward(self, X):
        # 前向传播
        self.z1 = np.dot(X, self.W1) + self.b1
        self.a1 = self.sigmoid(self.z1)
        self.z2 = np.dot(self.a1, self.W2) + self.b2
        self.a2 = self.sigmoid(self.z2)
        return self.a2
    
    def sigmoid_derivative(self, x):
        return x * (1 - x)
    
    def backward(self, X, y, output):
        # 反向传播
        self.error = y - output
        self.delta2 = self.error * self.sigmoid_derivative(output)
        self.a1_error = np.dot(self.delta2, self.W2.T)
        self.delta1 = self.a1_error * self.sigmoid_derivative(self.a1)
        
        # 更新权重矩阵和偏置向量
        self.W1 += np.dot(X.T, self.delta1)
        self.b1 += np.sum(self.delta1, axis=0, keepdims=True)
        self.W2 += np.dot(self.a1.T, self.delta2)
        self.b2 += np.sum(self.delta2, axis=0, keepdims=True)
    
    def train(self, X, y, n_epochs):
        # 训练神经网络
        for i in range(n_epochs):
            output = self.forward(X)
            self.backward(X, y, output)

其中，`input_size`、`hidden_size`和`output_size`分别表示输入层、隐含层和输出层的节点数。`W1`、`b1`、`W2`和`b2`分别表示输入层到隐含层的权重矩阵、隐含层的偏置向量、隐含层到输出层的权重矩阵和输出层的偏置向量。`sigmoid`函数表示sigmoid激活函数，`sigmoid_derivative`函数表示sigmoid激活函数的导数。`forward`函数表示前向传播，`backward`函数表示反向传播，`train`函数表示训练神经网络。