手工演算一个只要两层的神经网络，来演示神经网络如何任务

每天打球

咱们将使用只要两层、每层两个神经元的很小的一个神经网络，来演示神经网络如何任务。


两个输出值分别为1.0和0.5。而链接的权重，使用随机初始值。每个节点使用激活函数，将输出转变为输入。
在这个小型的神经网络中，因为衔接每一个层中两个节点的组合就只要四种衔接形式，因此只要四个权重。下图标出了咱们以后所知的一切数字。


上面开始计算。
第一层输出层很容易，此处，无需进行计算。
接上去的第二层。关于这一层的每个节点，咱们需求组合第一层的两个输入。
好比，第二层的第1个节点：
x = （第一层第1个节点的输入*链接权重）+（第一层第2个节点的输入*链接权重）=（1.0 * 0.9）+（0.5 * 0.3）= 0.9 + 0.15 = 1.0
而后，使用激活函数y = 1 /（1 + e -x ）计算该节点的输入。你能够使用计算器算一下。谜底为 y = 1 /（1 + 0.3499）= 1/ 1.3499 = 0.7408。
一样的办法，计算第二层的第2个节点的输入。


下一步，将神经网络的输入值与训练样本中的输入值进行对比，计算出误差。而后使用这个误差值来调剂神经网络自身，进而改进神经网络的输入值。
还记得上一篇吗【AI编程入门】一文带你入门AI神经网络编程思想
根本思绪仍是同样的。然而，那时咱们只是按照误差调理单个的输出参数。当输入和误差是多个节点独特作用的后果时，咱们如何更新链接权重呢？


这个有两个参数，W1,1和W2,1，该如何按照误差进行调剂呢？
根本的思绪是为较大链接权重的衔接调配更多的误差。
这里有两个节点对输入节点的信号做出了奉献，它们的链接权重分别是3.0和1.0。按权重比例联系误差，那末咱们就能视察到输入误差的3/4应该能够用于更新第一个较大的权重，误差的1/4 能够用来更新较小的权重。也就是无功受禄嘛。


咱们能够将一样的思想扩展到多个节点。假如咱们具有100个节点链接到输入节点，那末咱们要在这100条链接之间，根据每条链接对误差所做奉献的比例（由链接权重的大小表现），联系误差。
总结一下
咱们在两件事件上使用了权重。第一件事件，在神经网络中，咱们使用权重，将信号从输出向前传布到输入层。此前，咱们在少量地做这个任务。第二件事件，咱们使用权重，将误差从输入向后传布到网络中。咱们称这类办法为反向传布。