多层感知器神经网络模型代码

以下是一个基本的多层感知器（MLP）神经网络模型的 Python 代码：

import numpy as np

class MLP:
    def __init__(self, num_inputs=3, num_hidden=[3,5], num_outputs=2):
        self.num_inputs = num_inputs
        self.num_hidden = num_hidden
        self.num_outputs = num_outputs
        
        layers = [self.num_inputs] + self.num_hidden + [self.num_outputs]
        
        # 初始化权重
        self.weights = []
        for i in range(len(layers)-1):
            w = np.random.rand(layers[i], layers[i+1])
            self.weights.append(w)
            
    def sigmoid(self, x):
        return 1 / (1 + np.exp(-x))
    
    def forward(self, inputs):
        # 前向传递
        activation = inputs
        for w in self.weights:
            h = np.dot(activation, w)
            activation = self.sigmoid(h)
        return activation
    
# 使用示例
mlp = MLP()
inputs = np.random.rand(mlp.num_inputs)
outputs = mlp.forward(inputs)
print("输入：", inputs)
print("输出：", outputs)

在此示例中，我们定义了一个名为 `MLP` 的类，它接受三个参数：输入层的数量，隐藏层的数量和输出层的数量。我们使用 `self.weights` 来存储每个层之间的权重，并使用 `forward` 方法来计算给定输入的输出。在此示例中，我们仅使用了一种激活函数 `sigmoid`，在前向传递过程中使用它来计算每个层的激活。