BP神经网络

原理：随机初始化权重与偏执，将数据正向传播得到最终的结果，然后计算与结果的误差，将误差反向传播调整权重与偏置。

输入层的神经元结构：
    值：输入的值
    输出：将值输出到其他神经元
    权重：输出其他神经元的一个乘数系数

中间神经元结构：
    输入：其他神经元传到该神经元的值乘以对应权重
    偏置：一个常数
    值：输入值之和加上偏置
    激活函数：relu，sigmod，tanh
    输出：将值输入激活函数所得的值
    权值：输出其他神经元的一个乘数系数

输出层神经元结构：
    输入：其他神经元传到该神经元的值乘以对应权重
    偏置：一个常数
    值：输入值之和加上偏置
    激活函数：relu，sigmod，tanh
    输出：将值输入激活函数所得的值

输出层的误差计算 = 输出*（1-输出）*（期望-输出）       //期望：有监督学习中的标签，比如你输入一组数据希望得到的结果为1

中间层的误差计算 = 输出*（1-输出）*上层反馈误差*权重

更新权重 = 当前权重+学习率*反馈误差*输出

更新偏置 = 当前偏置+学习率*反馈误差

学习率=1/迭代次数     

得到最终所有的权重和偏置完成模型训练