反向传播算法（Backpropagation）是目前用来训练人工神经网络（Artificial Neural Network，ANN）的最常用且最有效的算法。其主要思想是： （1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程； （2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层； （3）在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。         反向传播算法的思想比较容易理解，但具体的公式则要一步步推导，因此本文着重介绍公式的推导过程。

1. 变量定义

        上图是一个三层人工神经网络，layer1至layer3分别是输入层、隐藏层和输出层。如图，先定义一些变量：         表示第层的第个神经元连接到第层的第个神经元的权重；         表示第层的第个神经元的偏置；         表示第层的第个神经元的输入，即：         表示第层的第个神经元的输出，即：         其中表示激活函数。

如果你觉得这篇文章看起来稍微还有些吃力，或者想要系统地学习人工智能，那么推荐你去看床长人工智能教程。非常棒的大神之作，教程不仅通俗易懂，而且很风趣幽默。点击这里可以查看教程。

2. 代价函数

        代价函数被用来计算ANN输出值与实际值之间的误差。常用的代价函数是二次代价函数（Quadratic cost function）：         其中，表示输入的样本，表示实际的分类，表示预测的输出，表示神经网络的最大层数。

3. 公式及其推导

        本节将介绍反向传播算法用到的4个公式，并进行推导。如果不想了解公式推导过程，请直接看第4节的算法步骤。         首先，将第层第个神经元中产生的错误（即实际值与预测值之间的误差）定义为：         本文将以一个输入样本为例进行说明，此时代价函数表示为： 公式1（计算最后一层神经网络产生的错误）：         其中，表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算。 公式1的推导过程如下： 公式2（由后往前，计算每一层神经网络产生的错误）：         推导过程： 公式3（计算权重的梯度）：         推导过程： 公式4（计算偏置的梯度）：         推导过程：

4. 反向传播算法伪代码

输入训练集 对于训练集中的每个样本x，设置输入层（Input layer）对应的激活值： 前向传播： ，  计算输出层产生的错误： 反向传播错误： 使用梯度下降（gradient descent），训练参数：