先让我们先来说一下这个反应传播啊 ，在这里啊 ，我们要求的该给大家解释过了 ，就是这个 w ，但是呢 ，我们在求这个 w 之前啊 ，咱们先想一个事情 ，我们现在啊 ，就是 x 来了之后 ，我经过了一个 w 变换得到的得分函数吧 ，大家想这里我只经过一层 ，唉 ，看起来这么去做的 ，那我能不能再多做几次啊 ，比如说一个 s 来了 ，咱们举个例子啊 ，就像这样的事儿 ，x 来了 ，然后你这块已经有很多个助手吧 ，比如说有个 aab css 有三个助手 ，然后 a 助手 ，它说了一下 ，唉呀 ，你把我这个 x 然后经过了某一种w1的一个变化 ，唉那是不是相当于把原始特征进行了一个改变 ，进行了一个数据 ，就是数据原来是 x ，现在呢 ，变成xw1了吧 ，假如说这个 a 他说了这么去做 ，然后呢 b 他又说一下 ，唉呀 b 我看了一下 ，在这个 a 的基础上 ，好 ，还能再改进改进 ，比如说 a 虽然不是 x 乘w1嘛 ，它在这个基础上再给我乘上一个w2 ，这也可以啊 ，然后 c 来了 ，cl 看完之后 ，a 和 b 啊做的都行 ，但是好像还差那么一点儿 ，我在这个基础上再给你进行一个改变 ，比如这里 xwewr 完之后 ，我再来一个w3 ，相当于原始数据来之后 ，不不是说啊就一步 ，而通过一组全部参数才能得到最终的结果 ，我们好像要分成几个部分 ，相当于是这样一个事儿 ，原来数据啊咱们计算机利用起来不是特别好 ，我需要在原始数据当中啊找出来最有价值的信息 ，比如说 a 他看了一下 ，我给大家举个例子 ，比如说还是要识别这个猫吧 ，在这里只是一个举例子 ，其实神经网络它的做法并不一定完全是这个样子 ，啊 ，比如这里就有一只猫 ，然后第一步呢这个 a 它做了一个 xwe 可能这样它会先分辨一下哪些个是个前景 ，哪些是个背景 ，那比如说我现在用蓝色框起来这个猫 ，这个 a 看来就是做完之后 ，可能这部分特征给突出出来了 ，其他特征呢 ，可能可可能给它弱化起来了 ，然后 b 再做 ，b 有拿绿色化毕业做的时候 ，

他可能认为猫是胡须比较重要 ，所以说这个胡须的部分它给它调得比较重要一些 ，其实 x 无论跟 w 做什么东西 ，都相当于是把数据变了嘛 ，其实说白了就是数据怎么变才是最合适的 ，那这个w3呢 ，W3可能是另外一种方法 ，拿黄色句话吧 ，他可能更关注一些眼睛或者是其他地方的一些特征之类的 ，所以说啊 ，就是大家先理解一点就行了 ，我们现在有了一份数据 ，数据呢 ，我经过一个得分函数 ，但是这个得分函数通常情况下 ，或者说99%的情况下吧 ，它并不是一次性的变换 ，而是多次的变换 ，如果说它是一次的变换 ，是不是跟咱们之前讲的那个线回归 ，还有逻辑回归 ，本质来说没有什么太大区别啊 ，做法是不是都一样的 ，但是在实际网络当中啊 ，相当于我们把这一步做得更复杂一些 ，原来呢我用一个 w ，现在我可以多个w1起来去做这样一个事情 ，然后这里啊关于这个反应传播啊 ，咱们之前说给大家解释过了 ，反向传播当中啊 ，就是在假性回归的时候跟大家说了一下 ，反向传播当中啊我们的一个梯度该怎么计算 ，这里我们就不给大家一个去看了 ，咱们大家如果说忘了 ，我们回过头来看一下咱的那个 qq 下当中啊 ，我们的一个具体更新方法在神内网当中啊 ，它本质上也是用优化的思想来去做的 ，所以说这里我们用 tu 下降来进行求解也是没有问题的 ，这个就是咱们之前说过的那个 qq 下降 ，然后呢来看这个小例子吧 ，