class NeuralNetwork:

这是一个定义了神经网络的类，下面是一个简单的例子：

class NeuralNetwork:
    def __init__(self, input_nodes, hidden_nodes, output_nodes):
        # 初始化输入层、隐藏层和输出层的节点数
        self.input_nodes = input_nodes
        self.hidden_nodes = hidden_nodes
        self.output_nodes = output_nodes
        
        # 初始化权重矩阵，使用随机值填充
        self.weights_input_hidden = np.random.normal(0.0, self.hidden_nodes**-0.5, (self.hidden_nodes, self.input_nodes))
        self.weights_hidden_output = np.random.normal(0.0, self.output_nodes**-0.5, (self.output_nodes, self.hidden_nodes))
        
        # 定义激活函数
        self.activation_function = lambda x: 1/(1+np.exp(-x))
    
    def train(self, inputs_list, targets_list):
        # 将输入和目标值转换为二维数组
        inputs = np.array(inputs_list, ndmin=2).T
        targets = np.array(targets_list, ndmin=2).T
        
        # 计算隐藏层的输入信号
        hidden_inputs = np.dot(self.weights_input_hidden, inputs)
        # 计算隐藏层的输出信号
        hidden_outputs = self.activation_function(hidden_inputs)
        
        # 计算输出层的输入信号
        final_inputs = np.dot(self.weights_hidden_output, hidden_outputs)
        # 计算输出层的输出信号
        final_outputs = self.activation_function(final_inputs)
        
        # 计算输出层误差
        output_errors = targets - final_outputs
        # 计算隐藏层误差
        hidden_errors = np.dot(self.weights_hidden_output.T, output_errors) * hidden_outputs * (1 - hidden_outputs)
        
        # 更新权重
        self.weights_hidden_output += self.learning_rate * np.dot((output_errors * final_outputs * (1 - final_outputs)), hidden_outputs.T)
        self.weights_input_hidden += self.learning_rate * np.dot((hidden_errors * hidden_outputs * (1 - hidden_outputs)), inputs.T)
    
    def query(self, inputs_list):
        # 将输入转换为二维数组
        inputs = np.array(inputs_list, ndmin=2).T
        
        # 计算隐藏层的输入信号
        hidden_inputs = np.dot(self.weights_input_hidden, inputs)
        # 计算隐藏层的输出信号
        hidden_outputs = self.activation_function(hidden_inputs)
        
        # 计算输出层的输入信号
        final_inputs = np.dot(self.weights_hidden_output, hidden_outputs)
        # 计算输出层的输出信号
        final_outputs = self.activation_function(final_inputs)
        
        return final_outputs

这个类实现了一个简单的三层神经网络，包括一个输入层、一个隐藏层和一个输出层。它包括以下方法：

- `__init__(self, input_nodes, hidden_nodes, output_nodes)`：初始化神经网络，包括输入层、隐藏层和输出层的节点数，以及权重矩阵和激活函数。
- `train(self, inputs_list, targets_list)`：训练神经网络，更新权重矩阵。
- `query(self, inputs_list)`：使用训练好的神经网络进行预测，输出一个结果。