输入层
输入层节点数=输入向量维数
MNIST例子中，单张MNIST图片大小为28*28，reshape为一维数组，长度为784，所以输入层节点数为784：
network = Network([784, 100, 10])
iris例子中，每种花测量了4种属性的值，所以输入层节点数为4：
net = Network([4, 2, 3])
输出层
输出层节点数=输出向量维数
MNIST例子中，所有图片的值只有10种，所以输出层节点数为10：
network = Network([784, 100, 10])
iris例子中，花的类别只有{Iris-setosa，Iris-versicolor，Iris-virginica}这3种，所以输出层节点数为3：
net = Network([4, 2, 3])
隐藏层
综合网上所述，有以下几种：
构造法：首先运用三种确定隐含层层数的方法得到三个隐含层层数，找到最小值和最大值，然后从最小值开始逐个验证模型预测误差，直到达到最大值，最后选取模型误差最小的那个隐含层层数。该方法适用于双隐含层网络。
其他方法一：（输入+输出）/2
其他方法二：输入数据的大小*(2-32之间的数值)
参考：
https://www.cnblogs.com/ratels/p/12262241.html