在Python中训练神经网络通常涉及以下步骤：
准备数据集
收集并整理数据，可能需要将数据集分为训练集和测试集。
搭建模型
使用深度学习库（如TensorFlow或PyTorch）定义神经网络结构。
定义输入层、隐藏层和输出层的节点数，以及激活函数和损失函数。
训练模型
使用训练数据集对模型进行训练。
通过反向传播算法计算损失函数对模型参数的梯度。
更新模型参数，通常使用优化算法（如梯度下降）沿梯度方向微调权重。
评估模型
使用测试数据集评估模型性能。
记录训练集和测试集的准确率，以及损失函数的值。
调整和优化
根据模型在测试集上的表现调整超参数（如学习率、批次大小等）。
可以使用正则化、早停等技术防止过拟合。
使用模型
训练完成后，使用训练好的模型进行预测或分类任务。
下面是一个使用TensorFlow构建和训练简单神经网络的示例代码：
```python
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
定义模型结构
model = Sequential（[
Dense（64, activation='relu', input_shape=（784,））, 输入层到隐藏层，64个神经元，ReLU激活函数
Dense（10, activation='softmax'） 隐藏层到输出层，10个神经元（对应10个数字类别），Softmax激活函数
]）
编译模型
model.compile（optimizer='adam',
loss='sparse_categorical_crossentropy',
metrics=['accuracy']）
加载数据集
mnist = tf.keras.datasets.mnist
（x_train, y_train）, （x_test, y_test） = mnist.load_data（）
x_train, x_test = x_train / 255.0, x_test / 255.0 归一化数据
训练模型
model.fit（x_train, y_train, epochs=5）
评估模型
test_loss, test_acc = model.evaluate（x_test, y_test, verbose=2）
print（'\nTest accuracy:', test_acc）
这个示例展示了如何使用TensorFlow的Keras API构建一个简单的神经网络，加载MNIST数据集，训练模型，并评估其在测试集上的准确率。