计算神经网络的输出通常涉及前向传播（Forward Propagation）的过程，其中输入数据通过网络的层级结构，逐步被传递并变换，最终生成预测结果。下面我将为你展示一个简单的神经网络前向传播的示例。
假设我们有一个具有以下参数的简单神经网络：
输入层：2个神经元
隐藏层：3个神经元，采用Sigmoid激活函数
输出层：1个神经元，采用Sigmoid激活函数
神经网络的权重和偏置如下：
import numpy as np# 输入数据
X = np.array([[0.5, 0.6]])# 权重和偏置
W1 = np.array([[0.1, 0.2, 0.3],[0.4, 0.5, 0.6]])
b1 = np.array([0.1, 0.2, 0.3])W2 = np.array([[0.7],[0.8],[0.9]])
b2 = np.array([0.4])现在，我们可以进行前向传播来计算神经网络的输出：
# 第一层（隐藏层）的加权和与激活函数
z1 = X.dot(W1) + b1
a1 = 1 / (1 + np.exp(-z1))# 第二层（输出层）的加权和与激活函数
z2 = a1.dot(W2) + b2
a2 = 1 / (1 + np.exp(-z2))# 输出结果
print("神经网络输出:", a2)在这个示例中，我们首先将输入数据传递给隐藏层，并应用 Sigmoid 激活函数。然后，将隐藏层的输出传递给输出层，再次应用 Sigmoid 激活函数。最终，我们得到神经网络的输出结果。
