这是我综合了斯坦福大学CS231n和哔哩哔哩等教学视频总结出的比较简单理解的神经网络（浅谈），比较适合刚学习的小白。本文以计算机视觉为例讲解。

相信大家在各种教程都能看的上面的神经网络，这是一个最简单的网络或者说是感知机，X输入，红色的input layer是输入层，hidden layer是隐藏层，output layer是输出层。神经网络是有多个隐藏层，也就是多层感知机（MLP）。

输入层： 输入我们要进行分类或者回归的数据集。
隐藏层： 把非线性数据处理成线性可分的数据，激活函数在此计算激活。
输出层： 输出分类结果，是一个线性分类器（SVM、softmax等）

如图，我们人眼一眼就能看到这是一只猫，但计算机不能，计算机是通过把这张图（800*600像素，彩色RGB三通道）看成一个多维数组。

RGB三个通道，每一个通道都是一个二维矩阵，矩阵中的值是它的像素，像素值是[0,255]的256个值，因为计算机用8个比特来存储一个像素值（一个比特就是0或者1的数），2的8次方就是256个数。每一张彩色图片就是由RGB这3个通道的二维矩阵构成的多维数组。

一张图片计算机可以看到很多个特征，如第一幅图的x1，x2，x3都是特征。

以本文第一张图为例，x1，x2，x3通过输入层，乘以不同的权重w1，w2，w3加上一个偏置项。（上图的猫的权重w有800 * 600 * 3=1440000个）
通过计算f（x，W） = Wx + b后的值，然后传到激活函数得到激活值再传到下一个神经元。

前一轮得出的激活值再通过f（x，W） = Wx + b计算（乘以不同的权重w4，w5，w6，w7加上一个偏置项），然后再计算一次后传到激活函数得到激活值，然后计算loss损失函数，对误差进行下面要说的反向传播，更新权值w，重新计算输出。

算出每个loss损失函数后，我们把每个神经元算出的损失（误差）加起来得到总损失（误差）。然后对自己求导得到1（任何函数对其自身求导 =1 ）。我们想知道权重参数w4，w5，w6，w7对整体误差产生了多少影响，可以用整体误差分别对w4，w5，w6，w7求偏导求出（链式法则），求出后更新的权重w4’,w5’,w6’,w7’用这条公式计算比如计算w1’：w1’ = w1 - η*（总体误差对w1的导数），这里的η是学习率。

我们想知道权重参数w1，w2，w3对整体误差产生了多少影响，可以用整体误差对w1，w2，w3求偏导求出后更新。（同理链式法则）

↑ 上面绿色的数字是前向传播的权重，下面红色的是更新后的权重。

↑ 前向传播的计算公式。

↑ 反向传播的计算公式。

一个黑箱子的诞生。

如图，比如我们要分类猫和狗。

① 准备带有label标签的猫和狗的数据集，输入我们搭建好的网络。

② 机器读取图片信息后进行多次传播训练。（多次传播迭代就是多次（前向传播+反向传播））

③ 拿一张新的test图片输入，模型读取后匹配猫和狗的识别概率，输出概率高的分类结果。

代码 + 注释：

（ps：推荐不错的教程①https://blog.csdn.net/laobai1015/article/details/72230058 神经网络中的反向传播----Back Propagation
②https://www.bilibili.com/video/BV1K7411W7So?p=4 精讲CS231N斯坦福计算机视觉公开课）