第一步：准备数据集
在实现神经网络算法之前，需要准备好数据集。数据集应该包含一些输入和对应的输出值。对于本例中的字符串查找任务，输入数据可以是一个字符数组，输出可以是0或1，表示是否找到了目标字符串。

假设我们的数据集是一个字符串数组，其中包含了一些随机的字符串，如果字符串中包含“pidancode.com”或“皮蛋编程”，则输出为1，否则输出为0。

data = ["This is a test.",
"How are you?",
"pidancode.com is a great site.",
"Python is a popular programming language.",
"I love pizza.",
"Welcome to pidancode.com.",
"I hate Mondays.",
"Today is a good day.",
"皮蛋编程是很好的网站。",
"This is not the website you are looking for."]

labels = [0, 0, 1, 0, 0, 1, 0, 0, 1, 0]

第二步：数据预处理
在将数据送入神经网络之前，需要对数据进行一定的预处理。对于字符串查找任务，可以将每个字符都转化为数字，并将数据归一化到[0, 1]的范围内。

chars = set("".join(data)) # 所有出现过的字符
char_to_int = dict((c, i) for i, c in enumerate(chars)) # 字符到数字的映射
int_to_char = dict((i, c) for i, c in enumerate(chars)) # 数字到字符的映射

将字符串转化为数字数组，并归一化到[0, 1]范围内

X = []
for d in data:
x = [char_to_int[c] / float(len(chars)) for c in d]
X.append(x)

第三步：定义神经网络模型
我们使用Keras库来定义神经网络模型。定义一个简单的三层神经网络，包含两个全连接层和一个输出层。激活函数为ReLU，输出层使用sigmoid函数进行二分类。

from keras.models import Sequential
from keras.layers import Dense

model = Sequential()
model.add(Dense(units=64, activation='relu', input_dim=len(chars)))
model.add(Dense(units=32, activation='relu'))
model.add(Dense(units=1, activation='sigmoid'))

第四步：训练神经网络模型
把数据集分为训练集和测试集，然后将训练集传入神经网络进行训练。我们使用Adam优化器和二元交叉熵损失函数来训练模型。

from sklearn.model_selection import train_test_split
import numpy as np

X_train, X_test, y_train, y_test = train_test_split(X, labels, test_size=0.2, random_state=42)

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

history = model.fit(np.array(X_train), np.array(y_train),
epochs=50, batch_size=32,
validation_data=(np.array(X_test), np.array(y_test)))

第五步：使用训练好的模型进行预测
使用训练好的模型对新的数据进行预测，并输出结果。

def predict(string):
x = [char_to_int[c] / float(len(chars)) for c in string]
y_pred = model.predict_classes(np.array([x]))[0][0]
return y_pred

print(predict("This is a test.")) # 输出0
print(predict("Welcome to pidancode.com.")) # 输出1
print(predict("I love Python.")) # 输出0
print(predict("皮蛋编程是很好的网站。")) # 输出1
print(predict("This is not the website you are looking for.")) # 输出0