計算神經網絡的輸出通常涉及前向傳播（Forward Propagation）的過程，其中輸入數據通過網絡的層級結構，逐步被傳遞并變換，最終生成預測結果。下面我將為你展示一個簡單的神經網絡前向傳播的示例。
假設我們有一個具有以下參數的簡單神經網絡：
輸入層：2個神經元
隱藏層：3個神經元，采用Sigmoid激活函數
輸出層：1個神經元，采用Sigmoid激活函數
神經網絡的權重和偏置如下：
import numpy as np# 輸入數據
X = np.array([[0.5, 0.6]])# 權重和偏置
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])現在，我們可以進行前向傳播來計算神經網絡的輸出：
# 第一層（隱藏層）的加權和與激活函數
z1 = X.dot(W1) + b1
a1 = 1 / (1 + np.exp(-z1))# 第二層（輸出層）的加權和與激活函數
z2 = a1.dot(W2) + b2
a2 = 1 / (1 + np.exp(-z2))# 輸出結果
print("神經網絡輸出:", a2)在這個示例中，我們首先將輸入數據傳遞給隱藏層，并應用 Sigmoid 激活函數。然后，將隱藏層的輸出傳遞給輸出層，再次應用 Sigmoid 激活函數。最終，我們得到神經網絡的輸出結果。
