第一节课（系列六）：从零起步编码实现多层次神经网络

    接下来创建输出层Output layer。

    将之前创建Node节点的代码复制过来进行修改，作为输出层，给神经元节点命名的时候命名为Output，输出层的节点是结果，显然不是Bias，因此设置输出层的node的_is_bias_unit为False值。

    这样我们初步创建了神经元网络节点。 以下是本节已经编写的创建神经元网络节点的代码版本（NetworkStructure.py（v1）），代码中创建了输入层的Bias节点、隐藏层所有的Bias节点、隐藏层的所有神经元节点、输出层的节点，但这里还没有创建输入层的节点，后续我们将进行迭代完善，加上这部分代码。

 Create_AI_Framework_In5Classes(Class1)版本的NetworkStructure.py（v1）：

# -*- coding: utf-8 -*-


#导入要使用的Node类
from entity.Node import Node 
class NetworkStructure:
    
    #创建整个神经网络的所有节点
    def create_nodes(num_of_features, hidden_layers):
        nodes = []        
        nodeIndex = 0 #Neuron的ID
        
        #Input layer        
        #Bias Unit
        
        node = Node()
        
        node.set_index(nodeIndex)
        node.set_label("+1")
        node.set_is_bias_unit(True)
        nodes.append(node)
        nodeIndex = nodeIndex + 1
        
        print(node.get_label(), "\t", end = '')        
      
        print("")
        
        #Hidden layer
        for i in range(len(hidden_layers)):
            print("Hidden layer creation: ", end = ' ')
            
            #Bias Unit        
            node = Node()
            
            node.set_index(nodeIndex)            
            node.set_label("+1")
            node.set_is_bias_unit(True)
            nodes.append(node)
            nodeIndex = nodeIndex + 1
            
            print(node.get_label(), "\t", end = '')
            
            #创建该layer的Neurons
            for j in range(hidden_layers[i]):
                #创建该layer内部的Neuron
                node = Node()
 
                node.set_index(nodeIndex)
                node.set_label("+1")
                node.set_is_bias_unit(False)
                nodes.append(node)
                nodeIndex = nodeIndex + 1
                
                print(node.get_label(), "\t", end = '')
            
        
        print("")
        
        #Output layer
        node = Node()
         
        node.set_index(nodeIndex)
        node.set_label("Output")
        node.set_is_bias_unit(False)
        nodes.append(node)
        nodeIndex = nodeIndex + 1
        print("Output layer: ", node.get_label())
        
        return nodes