Outline
很多事情不是需要聪明一点，而是需要耐心一点，踏下心来认真看真的很简单的。
假设有这样一个网络层：
第一层是输入层，包含两个神经元i1 i2和截距b1；
第二层是隐含层，包含两个神经元h1 h2和截距b2，
第三层是输出o1,o2，每条线上标的wi是层与层之间连接的权重，激活函数默认为sigmoid函数。
赋初值为：
输入数据 i1=0.05，i2=0.10;
输出数据 o1=0.01, o2=0.99;
初始权重 w1=0.15,w2=0.20,w3=0.25,w4=0.30;
w5=0.40,w6=0.45,w7=0.50,w8=0.55
目标：给出输入数据i1,i2(0.05和0.10)，使输出尽可能与原始输出o1,o2(0.01和0.99)接近。
Step 1 前向计算
1. 输入层—>隐含层：
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)：
同理，可计算出神经元h2的输出o2：
2. 隐含层—>输出层：
计算输出层神经元o1的值：
同理，计算o2：
前向计算过程结束，得到输出值为[0.75136079 , 0.772928465]，与实际值[0.01 , 0.99]相差很远，对误差进行反向传播，更新权值，重新计算输出。
Step 2 反向传播
1. 计算总误差
总误差：(square error)
分别计算o1和o2的误差，总误差为两者之和：
2. 输出层—>隐含层的权值更新
以权重参数w5为例，如果想知道w5对整体误差产生了多少影响，用整体误差对w5求偏导求出：（链式法则）
如图所示：
现在分别计算每个式子的值： loss--Sigmoid--weight
计算
：
计算下一步之前，先来看一下Sigmoid函数求导：
根据倒数法则从f(x)开始推导得出：
有以上两个式子可推出：
计算
：
计算
：
最后三者相乘：
这样我们就计算出整体误差E(total)对w5的偏导值。
综合以上四步计算过程可得：
为了表达方便，用
来表示输出层的误差：
因此，整体误差E(total)对w5的偏导公式可以写成：
如果输出层误差计为负的话，也可以写成：
最后，更新w5的值，
是学习速率，这里设为0.5：
同理，可更新w6,w7,w8:
3. 隐含层—>输入层的权值更新
上一部分传播过程为：out(o1)—>net(o1)—>w5；
此处：out(h1)—>net(h1)—>w1，注意out(h1)会接受E(o1)和E(o2)两个地方传来的误差，两个都要计算。
计算
：
先计算
：
同理，计算出：
两者相加得到总值：
再计算
：
再计算
：
最后，三者相乘：
为了简化公式，用sigma(h1)表示隐含层单元h1的误差：
最后，更新w1的权值：
同理，额可更新w2,w3,w4的权值：
一次误差的反向传播完成，之后再把更新的权值重新计算，得到新的误差，该例中第一次迭代之后，总误差E(total)由0.298371109下降至0.291027924。迭代10000次后，总误差为0.000035085，输出为[0.015912196,0.984065734](原输入为[0.01,0.99])。