前言
所谓BP神经网络，即前向反馈神经网络。我相信大多数人深度学习都是从神经网络开始的，本文将带大家了解神经网络基本模型结构，并详细介绍神经网络中最重要的算法，BP算法。
神经网络
我们先来看一下一个经典的神经网络结构模型：
由三层神经元组成，好，图先放着，它的具体结构和工作原理，且听我慢慢道来。
神经元模型
神经元神经网络中最基础的组成成分，结构如下图所示
连接 是神经元中最重要的部分，神经网络训练，就是调整连接上的权值，使得输出尽量接近目标值，在图中，神经元输出之前还要经过一个激活函数，负责将值转换成0或1，理想的激活函数是阶跃函数，但由于其不连续，不光滑，故而一般采用的是sigmod函数，如下图所示
神经元计算公式如下 : y=sgn(w*x+b),其中w为权值，b为偏置，是神经元的阈值。
感知机与多层网络
多个神经元按一定层级组织起来就形成了神经网络。
值得注意的是每一层神经元之间都是全连接。
感知机的公式可以用如下公式表示：
BP算法
好，神经网络我们搭建好了，怎么样来训练参数呢，就要用到这个BP算法，即误差反向传播算法。
其核心就是一句话：链式求导法则应用求误差最小值
具体过程如下：这里为了简单，先忽略激活函数
1.正向传播
2.误差反向传播
3.权值更新
为什么要对W1进行权值更新呢，因为误差是关于W1的函数，要降低误差就要对W1进行更新。
注意：权值更新这里涉及梯度下降，欢迎阅读了解详细
4.重复123
小结
作为神经网络的精髓，本文详细介绍了BP算法过程，由于还不会用LaTeX，采用手写，后面将使用LaTeX更新这些公式。
