对于多层神经网络，BP算法可以有效地对参数迭代更新。刚做完BP算法的作业，结合自己的理解简要写写重点，不展开写具体过程了。
BP算法
前向传播是指从输入逐层计算，得到输出。反向传播用来对参数进行梯度计算和更新。
为了简化，将这些层全部考虑为全连接层，这样每层都有w和b参数矩阵。过段时间再重新推导一遍。在推导过程中，首先要明确，z=w*x+b, a=g(z)。其中，x，a分别指改层的输入和输出，g(z)是指激活函数。这样在推导的过程中就会非常明确，思路清晰。
在反向计算过程中，输出层的参数梯度计算，和隐藏层间的不一样。
对于输出层，由于该层的真实值和模型预测值都已知，所以可以直接求偏导来计算。但是对于隐藏层，如果也这样做，会发现该层的真实输出值是不知道的，所以就用到了链式求导法则。从最外边的输出层逐层求导，直到该隐藏层。不过幸好，我们不需要每次都这么麻烦，因为计算后面几层的梯度时，很多值已经求过了。推导之后有这样一个关系：第L层的偏差，等于后一层偏差的线性组合，再乘以当前的激活函数导数，这不难推导出来。
在这里的偏差是指：损失函数对当前第L层输出函数z的偏导。
所以我们在求各层的梯度时，分为求各层偏差和各层梯度两个步骤。偏差求出来后，仅需要再乘上当前层的w即可。
