上面我们说了神经网络的基础知识，根据上章的基础尝试搭建一个标准的3层神经网络
1.框架代码
1.>初始化函数 — 设定输入层节点、隐藏层节点、输出层节点的数量，设置学习率和各层的权重
2.>训练 — 学习给定训练集样本后，优化权重
3.>查询 — 给定输入，从输出节点给出答案
2.初始化网络
在init函数里面增加节点、学习率的初始化
3.权重--网络的核心
网路中最重要的部分是链接权重，我们使用这些权重来计算前馈信号、反向传播误差，并且在试图改进网路时优化链接权重本身。可以使用矩阵简明地表示权重，因为是三层结构，所以我们需要创建：
♦ 在输入层与隐藏层之间的连接权重矩阵Winput_hidden，大小为hidden_nodes乘以input_nodes
♦ 在隐藏层与输出层之间的连接权重矩阵Whidden_output，大小为output_nodes乘以hidden_nodes
我们使用 numpy.randon.rand(row,columns) 或者numpy.random.normal()生成权重