中文技术博客上描述的反向传播算法有一些跳跃性非常大，对于理解神经网络乃至深度学习的过程非常不利，我在网上找到一篇Backpropagation 的推导过程实例（https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example/），写得明白透彻，按照最典型的梯度下降算法来进行推导，现将学习过程记录如下。
1. loss 函数的优化
笼统来讲：
设计loss函数是为了衡量网络输出值和理想值之间的差距，尽管网络的直接输出并不显式的包含权重因子，但是输出是同权重因子直接相关的，因此仍然可以将loss函数视作在权重因子空间中的一个函数。
可以将loss 记为E(w)，这里为了便于说明，省去了偏值项，正则项等等，仅仅将loss认为是w的函数，
训练网络：
对网络训练的目标在数学上的显示表现就是使得loss取值最小化，这个问题就变成了在权重空间w中求loss全局极值的一个优化问题，对于这种问题，通常的解决方案是对loss求w的偏导
2. 链式推导过程
假定如下图示的神经元结构：
很显然对于E的w偏导数，可以利用链式法则得到如下表示：（根据上述引用材料的记载Etotal由out1和out2构成，具体数值由材料所给出）
outo1是由sigmoid激活函数给出，因此如下所示：
由上图所示：
此时可以得到关于E和w5的偏导公式的各个组元，然后将数据代入，可以得到偏导数的值
在往常的一些记载中会使用如下的记法来表示：
所以最终的偏导可以记为：
根据梯度下降算法的思路，为了修正w5，认为对w5的更新项，应当如下式表示：
其中偏导前的系数为人为设置的常数，就是常说的学习率，这里设置为0.5，这样整个回路就完成了对权重因子w5的更新
有了以上的实例，再看UFDL 的介绍就更加明白了（http://deeplearning.stanford.edu/wiki/index.php/Backpropagation_Algorithm）