BP(BackPropagation）神经网络是1986年由Rumelhart和McClelland为首的科学家提出的概念，是一种按照误差逆向传播算法训l练的多层前馈神经网络，是应用最广泛的神经网络。

感知器（Perceptron）就是神经网络中最基本、最标准的“一个节点”（即一个人工神经元）。一个感知器由输入项、权重、偏置、激活函数、输出组成，如下图所示: 各个组件的功能如下:

• 输入项$X_1, X_2, X_3 ...$,表示外界传来的信号。比如预测房价时，面积100$m^2$、房龄5年就是输入。
• 权重$W₁, W₂, W₃ ...$,表示重要性系数。权重越大，说明这个输入对结果影响越大（比如面积权重0.8，房龄权重0.1，说明面积重要得多）。
• 偏置$b (Bias)$,表示阈值/容错。相当于给神经元一个“基础兴奋度”。即使所有输入都是0，偏置也能让神经元有输出（比如让模型在没有阳光时也默认开一点灯）。
• 求和$\sum$(累加和),把 (输入X权重) 全部加起来，再加偏置，得出一个总分。
• 激活函数 f (如Sigmoid/ReLU) “门卫”。把刚才的“总分”压扁或转化一下（比如限制在0到1之间），让它变成最终的输出。如果没有它，多层网络就退化成一次线性方程，毫无学习能力。
• 输出$Y$最终传给下一层的结果。

假设我们要预测房价，收集到3条真实数据：

从数学上来看，感知器是一个由激活函数包裹的线性函数: \begin{equation} y = 激活函数( w_1x_1 + w_2x_2 + ... + b ) \end{equation} 我们可以计算它的输出，输出 = 激活函数( $w_1×面积 + w_2×房龄 + b$ ),设初始参数：$w_1=2.0, w_2=0.5, b=10$，激活函数用线性激活（直接输出不加压）。那么, 对于样本1：

  80×2.0 + 5×0.5 + 10 = 160 + 2.5 + 10 = 172.5（万）

真实值是200万，误差 = 200 - 172.5 = +27.5万（低了）

对于样本2：

  100×2.0 + 10×0.5 + 10 = 200 + 5 + 10 = 215（万）

真实值230万，误差 = 230 - 215 = +15万（低了）

对于样本3计算：

  120×2.0 + 15×0.5 + 10 = 240 + 7.5 + 10 = 257.5（万）

真实值250万，误差 = 250 - 257.5 = -7.5万（高了）

那个根据上面的计算结果，我们需要调整权重,看上面三个误差：

• 样本1：低了27.5万 → 需要增大$w_1$或$w_2$
• 样本2：低了15万 → 也需要增大参数
• 样本3：高了7.5万 → 需要减小参数

因此，矛盾出现了，同一个$w_1$，增大它会让样本1和2变准，但会让样本3更不准；减小它会让样本3变准，但会让样本1和2更不准。

再来看一个例子。假设现在房价预测加入第三个特征：距离地铁站的距离（公里），权重记为$w_3$。

单个感知器（无激活函数）要解方程组：

• 对样本1：$80w_1 + 5w_2 + 0.5w_3 + b = 200$
• 对样本2：$100w_1 + 10w_2 + 1.0w_3 + b = 230$
• 对样本3：$120w_1 + 15w_2 + 1.5w_3 + b = 250$
• 对样本4：$90w_1 + 8w_2 + 2.0w_3 + b = 210$

这是 4个方程，4个未知数$(w_1, w_2, w_3, b)$。4个方程4个未知数确实有可能有唯一解，但前提是这4个方程彼此独立且一致，否则:

当样本数 > 权重数 + 1 时，单个感知器（线性模型）必然存在无法消除的误差

通过上面两个例子，我们可以看出，单个神经网络存在局限性

为了解决单传感器的局限，一个有效的办法就是将它们连接起来。因为:

1. 1个感知器（2个权重）对3个样本：
   • 自由度 = 2（权重）+ 1（偏置）= 3个参数，要满足3个样本完全精确 → 需要3个方程完全精确成立，但3个点几乎不共线 → 方程组不相容 → 必然有矛盾
2. 放大到3个感知器：
   • 每个感知器有2个权重+1个偏置 = 3个参数，3个感知器 = 9个参数

那么多个感知器是如何连接在一起？在宏观上，BP神经网络由输入层、隐含层（也称中间层）和输出层构成，其中隐含层有一层或者多层。每一层可以有若干个节点。层与层之间节点的连接状态通过权重来体现，如下图所示: 其中数据在网络中的传播路径如下: 上中，实线代表正向传播，虚线代表反向传播。可以看到，整个网络宏观上了，和闭环控制系统类似:信号通过计算，得到实际值，与预期值比较获得差值，根据差值来调整系统的参数。

既然BP神经网络和闭环控制系统如此相似，为什么BP在1986年才被发明，而控制论在1940年代就有了？因为：

• 控制论（线性/简单系统）：物理世界中的系统（如温度、电压）通常具有明确的因果链。水温高了，我就减少加热，因果关系简单直接，不需要微积分中的链式法则。
• BP神经网络（多层嵌套）：误差在输出层，但产生误差的“责任”却分散在第一层、第二层、第三层的成千上万个权重上。误差和权重之间隔了无数层数学函数（层与层之间的嵌套），以至于不能定位究竟该调整哪个权重来获得更优的结果。

BP的突破性在于：它借用了微积分的链式求导法则，把“输出端的误差”一层层地“反推”回输入端，精确计算出每一个权重该负多大责任，即“梯度反向传播”。

比如，在水文预测中，我们$\hat{y} = w_1 × x_1 + w_2 × x_2 + b$预测未来的水位，其中:

• $x_1$ = 上游降雨量（毫米）
• $x_2$ = 上游水位（米）
• $\hat{y}$ = 预测的下游水位（米）

现在有一组样本:

• 降雨量 $x_1$ = 5.0（毫米）
• 上游水位 $x_2$ = 2.8（米）
• 真实下游水位 $\hat{y}$ = 3.5（米）

模型初始参数（随机初始化）：

• $w_1$ = 0.40
• $w_2$ = 0.60
• $b$ = 0.10

有了上面的数据，就通过前向传播，计算预测值:$\hat{y}= w_1 × x_1 + w_2 × x_2 + b=0.40 × 5.0 + 0.60 × 2.8 + 0.10=3.78(米)$,因此，模型预测下游水位为 3.78 米，而真实值是 3.50 米，差了 0.28 米。

接下来是计算损失（误差）。我们用均方误差（MSE）作为损失函数,则损失$ L = (\hat{y} - y)² / 2=(3.78 - 3.50)² / 2=0.0392$

0.0392 就是当前模型在这个样本上的损失值。我们的目标是通过调整$ w_1、w_2、b$，让这个损失值降下来。

反向传播的核心是链式法则：损失$L$先对预测值$\hat{y}求导，再分别对每个参数求导，从而知道每个参数对最终损失负有多大责任。

第一步是计算损失$L$对预测值 $\hat{y}$ 的导数 \begin{equation} \frac{dL}{d \hat{y}} = \hat{y} - y \end{equation} 带入数据$\frac{dL}{d \hat{y}} = 3.78 - 3.50=0.28$

这个 0.28 的含义是：预测值每增加 1 米，损失增加 0.28。

第二步，计算$L$对参数$w_1$ 的梯度（链式法则） \begin{equation} \frac{dL}{dw₁} = \frac{dL}{d \hat{y}} \frac{d \hat{y}}{d w_1} \end{equation} 其中$ \hat{y} = w_1 × x_1 + w_2 × x_2 + b$，对 $w_1$ 求偏导,则有$d \hat{y}/dw_1 = x_1 = 5.0$,所以,$dL/dw₁ = 0.28 × 5.0 = 1.4$.这里，梯度的含义是$w_1$ 每增加 1，损失 $L$ 大约增加 1.4。梯度为正，说明损失随 $w_1$ 增大而增大，所以要让损失下降，应该减小 $w_1$。

同理，计算 $L$对参数$w_2$的梯度$dL/dw_2 = (dL/d \hat{y}) × (d \hat{y}/dw_2)= x_2 = 2.8= 0.28 × 2.8= 0.784$,这里梯度的含义是$w_2$ 每增加 1，损失 L 增加 0.784。梯度为正，同样应该减小 w₂，只是调整幅度比 w₁ 小一些。最后，计算$ L $对参数 $b$的梯度dL/db = (dL/d\hat{y}) × (d\hat{y}/db)= 0.28 × 1= 0.28$

简单汇总梯度：

梯度下降的更新规则是：

新参数 = 旧参数 - 学习率 × 梯度

学习率η 我们设为 0.01（一个常用的保守值，保证每次只走一小步）：

• 更新 $w_1$：$w₁_{new} = 0.40 - 0.01 × 1.4= 0.386$
• 更新 $w_2$：$w₂_{new} = 0.60 - 0.01 × 0.784= 0.59216$
• 更新 $b$：$b_{new} = 0.10 - 0.01 × 0.28= 0.0972$

用更新后的参数重新做一次前向传播$\hat{y}_{new} = 0.386 × 5.0 + 0.59216 × 2.8 + 0.0972= 3.685248（米）$ 新损失：$L_{new} = (3.685248 - 3.50)² / 2 ≈ 0.01716$ 对比：

损失从 0.0392 降到了 0.0172，下降了约 56%。仅仅一轮迭代，模型就朝着正确的方向迈进了一大步。