入门介绍

感知机（perceptron）是由两层神经元组成的结构，输入层用于接受外界输入信号，输出层（也被称为是感知机的功能层）就是M-P神经元。

其中：

• 1.输入数据: i1=0.05, i2=0.10
• 2.输出数据: o1=0.01, o2=0.99

计算神经元h1的输入加权和：

神经元h1的输出o1:(此处用到激活函数为sigmoid函数)：

\begin{align}
out{h1}&=\frac{1}{1+e^{-net{h1}}}
\end{align}

计算输出层神经元o1和o2的值：(可上面计算方式类似)

\begin{align}
net{h1}&=w_5 * out{h1} + w6 * out{h2} + b_2 * 1
\end{align}

• 这样前向传播的过程就结束了，我们得到输出值为[0.75136079 , 0.772928465]，与实际值[0.01 , 0.99]相差还很远，现在我们对误差进行反向传播，更新权值，重新计算输出。

反向传播

\begin{align}
E_{total}&=\sum{\frac{1}{2}*(target-output)^2}
\end{align}