在神经网络中，每个隐藏层都有一组权重，将输入传递到下一层。输出是由传递到下一层的每个神经元为输入，根据权重计算出的值。这些输出可以被认为是隐藏层对输入的不同特征或属性的抽象表示。

以下是一个简单的神经网络示例，可以看到如何输出隐藏层中的值：

# 导入所需库
import numpy as np

# 定义激活函数
def sigmoid(x):
    return 1/(1+np.exp(-x))

# 定义输入数据
X = np.array([[0,0,1],
              [1,1,1],
              [1,0,1],
              [0,1,1]])

# 实现神经网络
num_inputs = X.shape[1]
num_hidden = 4
num_outputs = 1

# 随机初始化权重
np.random.seed(1)
weights1 = 2*np.random.random((num_inputs,num_hidden))-1
weights2 = 2*np.random.random((num_hidden,num_outputs))-1

# 训练网络
for i in range(60000):
    # 前向传播
    layer1_outputs = sigmoid(np.dot(X,weights1))
    layer2_outputs = sigmoid(np.dot(layer1_outputs,weights2))

# 输出隐藏层中的值
print(layer1_outputs)

输出结果将是一个形状为（4,4）的数组，其中每行对应于数据集中的每个输入的隐藏层输出。