正向传播
对于神经元来说，训练的目标就是确认最优的w和b,使得输出值和真实值之间的误差变得最小。
数据从输入到输出，一层一层的进行运算，在输出层输出一个预测值y
（理解：正向传播，多个输入层—》隐藏层进行权重w和偏置b计算。隐藏层—》输出层。
最后得出输出层的数据，与真实值进行比较
多个输入经过各自的权重进行正向传播得到预测值y，再经过反向传播进行更新权重w和偏置b,以求的最小的预测值和真实值的误差，这一步同步在优化各自的权重w和偏置b。
而神经网络使用多组数据就可以不断的逼近真实值，当通过梯度求取出最接近的权重w和偏置b后，当下一张测试的图片到来时，就可以使用这个最新的权重w和偏置b对测试的输入图片进行预测。）
反向传播
经过权重的初始化以及正向传播后，可以获取到网络中所有的参数和运算的结果，然后我们需要根据Loss 损失误差，进行更新模型的权重，这一个过程称为反向传播。
我们得到输出值为[0.75136079 , 0.772928465]，实际值为[0.01 , 0.99]
1.计算总误差
但是有两个输出，所以分别计算o1和o2的误差，总误差为两者之和：
2.隐含层---->输出层的权值更新：
以权重参数w5为例，如果我们想知道w5对整体误差产生了多少影响，可以用整体误差对w5求偏导求出：（链式法则）
现在我们来分别计算每个式子的值：
（这一步实际上就是对sigmoid函数求导，比较简单，可以自己推导一下）
最后三者相乘：
这样我们就计算出整体误差E(total)对w5的偏导值。
回过头来再看看上面的公式，我们发现：
为了表达方便，用 
来表示输出层的误差：
因此，整体误差E(total)对w5的偏导公式可以写成：
如果输出层误差计为负的话，也可以写成：
最后我们来更新w5的值：
（其中，
是学习速率，这里我们取0.5）
3.隐含层---->隐含层的权值更新：
方法其实与上面说的差不多，但是有个地方需要变一下，在上文计算总误差对w5的偏导时，是从out(o1)---->net(o1)---->w5,但是在隐含层之间的权值更新时，是out(h1)---->net(h1)---->w1,而out(h1)会接受E(o1)和E(o2)两个地方传来的误差，所以这个地方两个都要计算。
这样误差反向传播法就完成了，最后我们再把更新的权值重新计算，不停地迭代，在这个例子中第一次迭代之后，总误差E(total)由0.298371109下降至0.291027924。迭代10000次后，总误差为0.000035085，输出为0.015912196,0.984065734,证明效果还是不错的。