前面阐述过，在设计好一个神经网络后，参数的数量可能会达到百万级别，利用梯度下降去更新参数计算复杂，算力不足，因此需要一种有效计算梯度的方法，这种方法就是辛顿提出的反向传播（简称BP），BP在调整参数时候，不用像以前一样调参，可以先调最后一层，调完最后一层往前调，最后调到最前面一层，这种算法比以前算法复杂度要低得多，使用BP能够使梯度计算时效率更快。
反向传播算法是“误差反向传播”的简称，即BP算法。
BP算法的学习过程由正向传播过程和反向传播过程组成。在正向传播过程中，输入信息通过逐层处理并传向输出层。如果在输出层得不到期望的输出值，则通过构造输出值与真实值的损失函数作为目标函数，转入反向传播，逐层求出目标函数对各神经元权值的偏导数，构成目标函数对权值向量的梯度，作为修改权值的依据，网络的学习在权值修改过程中完成。输出值与真实值的误差达到所期望值时，神经网络学习结束。
1、创建神经网络模型
模型说明
- 模型共三层
- 第一层输入层，包含两个神经元i1,i2和截距b1
第二层隐含层，包含两个神经元h1,h2和截距b2
第三层输出层，包含两个神经元o1,o2
wi是层与层之间连接的权重
激活函数默认为sigmoid函数
执行正向传播
权重赋值
- 输入数据：i1 =0.05，i2 =0.10;
输出数据：o1 =0.01，o2 =0.99;
初始权重：w1 =0.15，w2 =0.20，w3 =0.25，w4 =0.30，
w5 =0.40， w6 =0.45， w7 =0.50， w8 =0.55
目标：给出输入数据 i1 =0.05 i2 =0.10，使输结果出尽可能与原始输出o1 =0.01 o2 =0.99 接近
前向传播，模拟计算
通过前向传播得到输出值为[0.75136079 , 0.772928465]，与实际值[0.01 , 0.99]相差还很远，现在对误差进行反向传播，更新权值，重新计算输出。