#PS：要转载请注明出处，本人版权所有
#PS:这个只是 《 我自己 》理解，如果和你的
#原则相冲突，请谅解，勿喷
前置内容
模型：就是一个函数G(I1,I2,...,In),此函数的作用就是给定In（输入数据）,就能够得到函数的值（打分）。
损失函数：E(w1,w2,...,wn,b1...bn),此函数是由此网络中所有的权重为变量构成的。此函数的作用是描述在某组权重的和输入下，此网络的得分与标准值（标签）的误差。
梯度：就是某变量（向量）在某方向上的变化率。
网络训练过程：而在网络训练中，目标就得把此误差减小，提高准确率。
对BP的一个简单例子推导过程（此过程来至于网上的一篇文章，无复杂的数学公式，注意抽象，示例图字丑，请忽略）
假设我定义此示例网络为：
定义前向推导为：
定义此网络的损失函数E为（也可以说是误差函数）：
对权重W5,求其相对于E的偏导，过程如下：
对权重W1,求其相对于E的偏导，过程如下：
当我们得到dE/dW1,dE/dW2 …. dE/dW8 ,dE/db1,dE/db2这些的值后，我们就可以更新这些参数，让E的输出更小，准确度越高。
定义原参数为Po，定义更新参数为Pn,定义学习率为m,则参数更新过程为：
Pn = Po - m*dE/dPo
经过多次迭代后，E会越来越小，模型准确率越来越高。
提示：个人认为对于一些数学原理相关的，还是动手自己推导一次，这样比单单看理解的快和深刻一点。这种方式非常适合我这种笨鸟。
#PS：请尊重原创，不喜勿喷
#PS：要转载请注明出处，本人版权所有.
有问题请留言，看到后我会第一时间回复