用 pycharm 写一个三输入一输出的 BP 神经网络并输出预测值.以输入中的一个值为 X 轴预测值和真实值为 Y 轴画出折线图

好的，以下是一个使用 PyCharm 编写的三输入一输出的 BP 神经网络的代码示例，并绘制预测值和真实值的折线图：

import numpy as np
import matplotlib.pyplot as plt

class NeuralNetwork:
    def __init__(self):
        # 设置输入层、隐藏层和输出层的神经元数量
        self.input_neurons = 3
        self.hidden_neurons = 4
        self.output_neurons = 1
        
        # 初始化权重和偏差
        self.weights1 = np.random.randn(self.input_neurons, self.hidden_neurons)
        self.bias1 = np.zeros((1, self.hidden_neurons))
        self.weights2 = np.random.randn(self.hidden_neurons, self.output_neurons)
        self.bias2 = np.zeros((1, self.output_neurons))
        
    def sigmoid(self, x):
        # sigmoid 函数
        return 1 / (1 + np.exp(-x))
    
    def sigmoid_derivative(self, x):
        # sigmoid 函数的导数
        return x * (1 - x)
    
    def forward(self, X):
        # 前向传播
        self.hidden_layer = self.sigmoid(np.dot(X, self.weights1) + self.bias1)
        self.output_layer = self.sigmoid(np.dot(self.hidden_layer, self.weights2) + self.bias2)
        return self.output_layer
    
    def backward(self, X, y, output):
        # 反向传播
        self.output_error = y - output
        self.output_delta = self.output_error * self.sigmoid_derivative(output)
        
        self.hidden_error = np.dot(self.output_delta, self.weights2.T)
        self.hidden_delta = self.hidden_error * self.sigmoid_derivative(self.hidden_layer)
        
        self.weights1 += np.dot(X.T, self.hidden_delta)
        self.bias1 += np.sum(self.hidden_delta, axis=0, keepdims=True)
        self.weights2 += np.dot(self.hidden_layer.T, self.output_delta)
        self.bias2 += np.sum(self.output_delta, axis=0, keepdims=True)
        
    def train(self, X, y, epochs):
        # 训练神经网络
        for i in range(epochs):
            output = self.forward(X)
            self.backward(X, y, output)
            
    def predict(self, X):
        # 预测输出
        return self.forward(X)

# 生成数据
X = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1], [1, 1, 1]])
y = np.array([[0], [1], [1], [0]])

# 训练神经网络
nn = NeuralNetwork()
nn.train(X, y, epochs=10000)

# 预测结果并绘制折线图
X_test = np.array([[0, 0, 1], [0, 1, 1], [1, 0, 1]])
y_test = np.array([[0], [1], [1]])
y_pred = nn.predict(X_test)

x_axis = np.arange(len(y_test))
plt.plot(x_axis, y_test, 'o-', label='Real Value')
plt.plot(x_axis, y_pred, 'o-', label='Predict Value')
plt.xlabel('X')
plt.ylabel('Y')
plt.title('Prediction Result')
plt.legend()
plt.show()

在这个示例中，我们首先生成了一个包含四个样本的输入矩阵 X 和相应的输出矩阵 y，并使用这些数据训练了神经网络。然后，我们使用包含三个样本的输入矩阵 X_test 进行预测，并将预测结果和真实值绘制在同一个图表中。您可以根据自己的需求修改输入、隐藏和输出层的神经元数量，以及训练次数等参数。