机器学习神经网络算法（经典BP算法结合实例推导）原理

1. 背景:

     1.1 以人脑中的神经网络为启发，历史上出现过很多不同版本

     1.2 最著名的算法是1980年的 backpropagation 

2. 多层向前神经网络(Multilayer Feed-Forward Neural Network)

     2.1 Backpropagation被使用在多层向前神经网络上

     2.2 多层向前神经网络由以下部分组成：

           输入层(input layer), 隐藏层 (hidden layers), 输入层 (output layers)

     2.3 每层由单元(units)组成

     2.4 输入层(input layer)是由训练集的实例特征向量传入

     2.5 经过连接结点的权重(weight)传入下一层，一层的输出是下一层的输入

     2.6 隐藏层的个数可以是任意的，输入层有一层，输出层有一层

     2.7 每个单元(unit)也可以被称作神经结点，根据生物学来源定义

     2.8 以上成为2层的神经网络（输入层不算）

     2.8 一层中加权的求和，然后根据非线性方程转化输出

     2.9 作为多层向前神经网络，理论上，如果有足够多的隐藏层(hidden layers) 和足够大的训练集, 可以模     

          拟出任何方程

3. 设计神经网络结构

     3.1 使用神经网络训练数据之前，必须确定神经网络的层数，以及每层单元的个数

     3.2 特征向