一个多层感知机，层数为2，输入层拥有3个输入，隐藏层包含3个神经元输出层包含1个神经元。请画出结构及连接线

一个多层感知机 (MLP) 的结构可以这样描述：

1. **输入层** (Input Layer): 这里有3个节点，每个节点对应于输入数据的3个特征或属性。它们直接接收外部输入信号。

2. **隐藏层** (Hidden Layer): 隐藏层通常用于学习输入之间的非线性关系。在这个例子中，它有3个神经元，每个神经元与输入层的所有节点相连。每个隐藏层神经元会接收到来自输入层的所有输入信号，并通过加权求和后加上一个偏置项，然后通过激活函数处理得到新的值。

3. **输出层** (Output Layer): 只有一个神经元，这是最终的预测结果或分类决策的生成者。它同样连接到隐藏层的所有神经元，权重决定了输出层对隐藏层信息的依赖程度。

为了可视化，我们可以想象每个连接都有箭头表示方向，从输入层到隐藏层的箭头表示前向传播中的权重连接，而隐藏层到输出层的箭头也是同样的道理。每条线旁边可能会标注对应的权重值。例如：

      Input Layer (3)
         |           |
    ---> Hidden Layer (3) [W2, W3, ..., Wh]
         |           |
      Bias1   Bias2   Bias3
         |           |
   ...       ...       ...
         v           v
 Output Layer (1) [W4] ---->

这里 `W1` 到 `Wh` 是隐藏层神经元与输入层神经元的权重矩阵，`W4` 是隐藏层到输出层的权重。