手撸BP（Back propagation）算法

一动机：一直感觉神经网络很简单，神经元加权，然后前向、反向传播调整权值，然后就OK了，可是反向传播一直感觉理解的不透彻，于是萌生手撸的想法，看它到底怎么实现的。

二原理：理解起来不是很难，因为每次层信号A是通过一个权重矩阵W做了向量空间变换，然后又用了激活函数G，所以产生的错误E是一个反向传播的过程。

先定义一下L层神经元输入为Z(L)，输出为A(L),  A(L)=g(Z(L))，g为激活函数，  

第L-1层产生的错误E(L-1)=E(L)*W(L+1).T*g'(z)   Cost Function C(L)=E(L-1)*E(L-1)    以此更新W， W=W+rate*

因为要用SGD，我们要找到梯度