神经网络是一种运算模型，模拟大脑神经网络处理、记忆信息的方式进行信息处理。
.
01 结构梳理
搜索神经网络经常会看到这种圈、线图。神经网络定义是由大量的节点之间相互联接构成，每个结点代表什么？每条线代表什么？
节点：f（输入数据*权重）
上图每个圆圆的圈称之为节点，节点就是对输入数据乘上一定的权重后，进行函数处理。
连线：权重
每两个节点间的连接都代表一个权重，这相当于人工神经网络的记忆。
02、节点深入
术语上把上面一个个圆圈叫做“神经元”，深入了解这些圈圈的内部构造。
当这些圈圈（神经元）收到数据输入时，经历三个步骤：
步骤一：输入数据*权值
步骤二：累加步骤一所有的结果
步骤三：使用特定函数处理这组数据
输出的结果又可以作为数据进入下一个神经元。
还有一个“偏置”的定义用来完善步骤二，这里就不提了。
·
03 多层神经网络
有时候会遇到这样的神经网络的图，其实就是把上面两种类型图结合起来。
输入数据经过3层神经网络处理后，输出结果。
不同层数可以有不同数量的神经元。
每个神经元都有对应输入值的权值w，以及一个偏置b，还有一个激活函数f。
每个神经元的权重w、偏置b、激活函数f都可以不一样。
04 权重w计算
在实际计算中，怎样合理对属性进行赋值很重要，因此w的计算推到是值得注意的。一般神经网络采用sigmoid函数作为神经元处理函数。
sigmoid函数具有f(x)'=f(x)[1-f(x)]的特征。下图来源：BP神经网络的公式推导
所以针对这一特性，当神经元函数采用sigmoid函数时，权重的计算：
其中gj计算如下：
这里y为实际分类，y^为预测分类（神经元f处理结果）详细计算
.
04 实际计算
有一组数据，包含4个样本，每个样本有3个属性，每一个样本对于一个已知的分类结果y。（相当于已知结果的训练样本，4个样本，3个特征）
每个样本有3个属性，对应3个权重，进入神经元训练。第一层采用10个神经元进行处理。
步骤一：输入数据*权重
步骤二：代入函数f中计算
上面加权求和后的数据带入函数，这里使用sigmoid函数。
到这一步一层的神经网络就处理好了，比较预测结果和实际y之间的数值差（上面算法中提到的偏差d）为：-0.009664、0.00788003、0.00641069、-0.00786466，相差不多。
步骤三：完善权重w
一开始的权重是随便设置的，故需要根据公式需要完善权重值。
权重计算结果为-0.62737713，-0.30887831，-0.20651647，三个属性重新赋予合适的权重。
