第一节课（系列七）：Neuron_Network_Entry编码
接下来我们在入口程序Neuron_Network_Entry.py中调用NetworkStructure.py的方法，之前我们提到输入数据的问题，为了方便读者学习，这里使用二维数组硬编码，二维数组的第一个成员是[0,0,0]，二维数组的第二个成员是[0,1,1]，二维数组的第三个成员是[1,0,1]，二维数组的第四个成员是[1,1,0]。二维数组有4行3列，其特征是什么？二维数组的四行成员，它的第一列、第二列数字如果不同，第三列为1；它的第一列、第二列数字如果相同，第三列为0，这是我们观察的规律，其实就是逻辑运算中的异或操作（Exclusive OR），机器应该可以预测这个规律，可以预测数据是0还是1，只有第一个元素和第二个元素不同的时候，结果才是1，否则为0。这里的数据只有2列，当然也可以是200列，可从数据中关联出某种关系，基于这种关系推断出结果是0还是1。第1列和第2列是2个Feature，第3列是结果。
那么输入数据中有多少个输入特征Features？就是除了结果列的其他列的列数，这里第1列和第2列线性无关。可以计算instances的第0行的长度是3，但是它的Features是2个，在这里是只有第一列和第二列是features，第三列是根据某种关系（数学公式或者某种运算法则）而得出的结果。
我们设置隐藏层的hidden_layers为 [4,2]，在NetworkStructure.py隐藏层的节点构建中，在外层循环会循环hidden_layers的长度，计算它有多少个元素。例如，TensorFlow的可视化图中，第一层隐藏层的神经元有4个节点，第二层隐藏层神经元有2个节点。在Neuron_Network_Entry.py中对hidden_layers =[4,2]硬编码（hardcode）为两个隐藏层（Hiddenlayer），第一个隐藏层（Hidden Layer）有4个神经元（Neuron），第二个隐藏层（Hidden Layer）有2个神经元（Neuron）。
这个时候参数num_of_features、hidden_layers已经定义好了，我们将参数传入到NetworkStructure.py的NetworkStructure.create_nodes中。这里有个小作业题：Python中的方法带self、与不带self的区别？没有加self是静态方法，可以直接调用；如果加上self，必须new出来创建一个实例，然后调用。
(1) 带self，要创建一个实例来调用方法。例如：
class Node:(2) 不带self，直接调用这个方法。例如：
class NetworkStructure: 至此，已经编写的Create_AI_Framework_In5Classes(Class1)的Neuron_Network_Entry.py（v1）的代码：
# -*- coding: utf-8 -*-欢迎关注微信公众号：“从零起步学习人工智能”。
喜欢我们发布的信息，就在右下角点一下“在看”吧！欢迎转发分享！
