在CNTK中，可以使用Python或BrainScript來定義和訓練神經網絡模型。以下是一個簡單的例子來說明如何在CNTK中定義和訓練一個簡單的神經網絡模型：

import cntk as C

# 定義神經網絡結構
input_dim = 2
output_dim = 1
hidden_dim = 3

input_var = C.input_variable(input_dim)
output_var = C.input_variable(output_dim)

hidden_layer = C.layers.Dense(hidden_dim, activation=C.sigmoid)(input_var)
output_layer = C.layers.Dense(output_dim)(hidden_layer)

# 定義損失函數和優化器
loss = C.squared_error(output_layer, output_var)
learner = C.sgd(output_layer.parameters, lr=0.01)

# 定義訓練器
trainer = C.Trainer(output_layer, (loss, None), [learner])

# 訓練模型
for i in range(100):
    input_data = [[0, 0], [0, 1], [1, 0], [1, 1]]
    output_data = [[0], [1], [1], [0]]

    trainer.train_minibatch({input_var: input_data, output_var: output_data})

# 評估模型
test_input_data = [[0, 0], [0, 1], [1, 0], [1, 1]]
test_output_data = [[0], [1], [1], [0]]

for i in range(len(test_input_data)):
    predicted_output = output_layer.eval({input_var: [test_input_data[i]]})
    print("Input: {}, Predicted Output: {}, True Output: {}".format(test_input_data[i], predicted_output, test_output_data[i]))

在上面的例子中，我們定義了一個具有輸入維度為2、輸出維度為1和一個隱藏層維度為3的神經網絡模型。然后我們定義了損失函數為均方誤差，并使用隨機梯度下降優化器來最小化損失。接著我們使用訓練器來訓練模型，并使用eval()方法來評估模型的性能。

通過類似的方式，可以在CNTK中定義和訓練各種不同的神經網絡模型。更多關于CNTK的信息和例子可以在CNTK的官方文檔中找到。