用python写一个三层神经网络

好的，我可以为您提供一些基本的三层神经网络的Python代码。首先，您需要导入所需的库：

import numpy as np
import matplotlib.pyplot as plt

接下来，您可以定义一些超参数，例如神经元数量、学习速率和迭代次数：

input_size = 2 # 输入层神经元数量
hidden_size = 4 # 隐藏层神经元数量
output_size = 1 # 输出层神经元数量

lr = 0.05 # 学习速率
epochs = 2000 # 迭代次数

然后，您可以生成一些输入和输出数据：

# 生成随机输入数据
X = np.random.randint(0, 2, size=(1000, input_size))
# 使用异或逻辑生成输出数据
y = np.logical_xor(X[:,0], X[:,1]).reshape(-1, 1)

接下来是网络构建的代码：

# 随机生成权重和偏置
w1 = np.random.randn(input_size, hidden_size)
b1 = np.zeros((1, hidden_size))
w2 = np.random.randn(hidden_size, output_size)
b2 = np.zeros((1, output_size))

# 定义sigmoid激活函数
def sigmoid(x):
    return 1 / (1 + np.exp(-x))

# 迭代训练网络
for i in range(epochs):
    # 前向传播
    h = sigmoid(np.dot(X, w1) + b1)
    y_pred = sigmoid(np.dot(h, w2) + b2)

    # 计算损失
    loss = np.square(y_pred - y).mean()

    # 反向传播
    dy_pred = 2 * (y_pred - y)
    dw2 = np.dot(h.T, dy_pred * y_pred * (1 - y_pred))
    db2 = np.sum(dy_pred * y_pred * (1 - y_pred), axis=0, keepdims=True)
    dh = np.dot(dy_pred * y_pred * (1 - y_pred), w2.T)
    dw1 = np.dot(X.T, dh * h * (1 - h))
    db1 = np.sum(dh * h * (1 - h), axis=0)

    # 更新权重和偏置
    w2 -= lr * dw2
    b2 -= lr * db2
    w1 -= lr * dw1
    b1 -= lr * db1

    # 打印损失
    if i % 100 == 0:
        print("Epoch %d | Loss: %.4f" % (i, loss))

最后，您可以使用该网络对新数据进行预测：

# 预测新数据
h = sigmoid(np.dot(X_test, w1) + b1)
y_pred = sigmoid(np.dot(h, w2) + b2)

这就是一个基本的三层神经网络的Python代码，希望对您有所帮助！