机器学习、深度学习和神经网络之间的区别和联系

　　import numpy as np

　　# 定义Sigmoid函数

　　def sigmoid(x):

　　return 1 / (1 + np.exp(-x))

　　# 定义神经网络类

　　class NeuralNetwork:

　　def __init__(self, input_size, hidden_size, output_size):

　　# 初始化权重

　　self.W1 = np.random.randn(input_size, hidden_size)

　　self.W2 = np.random.randn(hidden_size, output_size)

　　def forward(self, X):

　　# 前向传播

　　self.z = np.dot(X, self.W1)

　　self.z2 = sigmoid(self.z)

　　self.z3 = np.dot(self.z2, self.W2)

　　output = sigmoid(self.z3)

　　return output

　　def backward(self, X, y, output, learning_rate):

　　# 反向传播

　　self.output_error = y - output

　　self.output_delta = self.output_error * sigmoid(output, derivative=True)

　　self.z2_error = self.output_delta.dot(self.W2.T)

　　self.z2_delta = self.z2_error * sigmoid(self.z2, derivative=True)

　　self.W1 += X.T.dot(self.z2_delta) * learning_rate

　　self.W2 += self.z2.T.dot(self.output_delta) * learning_rate

　　def train(self, X, y, learning_rate=1, epochs=10000):

　　for epoch in range(epochs):

　　output = self.forward(X)

　　self.backward(X, y, output, learning_rate)

　　def predict(self, X):

　　output = self.forward(X)

　　return output

　　# 创建一个神经网络实例

　　input_size = 2

　　hidden_size = 3

　　output_size = 1

　　nn = NeuralNetwork(input_size, hidden_size, output_size)

　　# 准备训练数据

　　X = np.array([[0, 0], [0, 1], [1, 0], [1, 1]])

　　y = np.array([[0], [1], [1], [0]])

　　# 训练神经网络

　　nn.train(X, y)

　　# 预测新的数据

　　new_data = np.array([0, 1])

　　prediction = nn.predict(new_data)

　　print("预测结果:", prediction)