BP神经网络算法 原理讲解以及底层代码复现

@BP神经网络算法python 底层
TOC
大家好，我是朱比特
本节 主要讲解的是BP神经网络算法流程以及代码复现

下面几张图片主要是我学习过程的一些笔记，希望对大家的学习有一定的帮助。

##这里主要解释了梯度下降原理和3层网络的构建过程以及BP算法流程，利用链式法则对误差函数求偏导数的过程（算法的数学原理）

接下来是我简单构建的一个3层神经网络的代码过程。
此处我存在一个疑惑，当sigmoid函数遇到标签分类是【1,2，3】此类大于1的数据时，sigmoid函数是不是就失效了

在此，我想到一个有局限性的解决方法：对原excel的文件进行提前处理，比如对iris数据集 我将标签值和数据值都除以10，使得数据的值域位于【0：1】之间，这样做的训练效果比较好，能够适应sigmoid函数的局限性

但是这样的方法对于一些值域差距比较大的数据集适用性比较差，比如win数据集 长度4000宽度5 对数据值的预处理比较麻烦，因此这是我的一个疑惑点！
（ps：我也是在学习神经网络的过程中，如果有大神希望能帮我解决这个疑惑0,0）

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.utils import shuffle
def getdata(fpath):
    '''
    定义getdata 获取训练集数据
    '''
    #fpath = r'd:iris.xls'
    object = pd.read_excel(fpath)
    object = shuffle(object)
    m1 = object.iloc[0:120, 0:5]
    k3 = []
    k4=[]
    o=[]
    m2 = m1.values.tolist()
    k1 = object.iloc[0:120, 0:5]
    k2 = k1.values.tolist()
    for i in k2:
        k3.append(i)
    for i in k3:
        o.append([i[4]])
    labelset = np.array(o)
    for i in k3:
        k4.append(i[0:4])
    dataset = np.array(k4)
    return dataset,<