在我們的上一篇文章，我們把神經網路的架構用簡化再簡化的方式來說明(其實聽不懂得觀眾也不用洩氣，我認為神經網路確實是沒有辦法很直觀的理解，至少對理科以外的人來說....)，我們至少知道了，以我們每次都拿來舉例的把圖片辨識成數字0~9的這個簡單神經網路來說，他的架構大概是長這樣有輸入層/輸出層/隱藏層，每一層都有很多的神經元，而相鄰的兩個層的神經元是fully-connected，也就是說每個神經元都有跟另外一層的每個神經元都有連接。我們舉第二層的某一個特定的神經元來說，他的數值是怎麼來的呢?就是由第一層每個神經元的數值乘上了權重(Weight)，全部第一層神經元的數值x權重加起來以後呢，在加上誤差(Bias)，在放入一個用來normalize的sigmoid function或Relu function之後了，就得到了這個第二層神經元的數值。
都看不懂沒關係，重點就是，這個神經網路中，我們的目的是要得到一個最接近完美的權重(Weight)跟誤差值(Bias)讓這個神經網路輸入的圖片可以得到正確的輸出，也就是完美的判斷到底是哪一個數字。
在仔細看一另一個訓練輸入手寫數字2的例子，一樣是沒有受過訓練的網路，我們假設輸出層的結果是這樣，那麼你應該會希望代表2的神經元的數值要上升，然後代表其他數字的神經元的數值要下降，如下圖。
但是這個神經元的數值是怎麼來的呢? 如我們開頭所說的，當然就是從上一層的神經元經過權重跟偏差值的計算得來的，如下圖。舉例來說我們希望代表2的這個神經元(我們叫他A2好了)數值越高越好，那麼在前一層的神經元裡面，數值是正的神經元，你會希望它連結到A2這個神經元的權重越高越好，或者是你也會希望這個誤差值能夠越高越好，這樣得到的A2的數值當然就會比較高囉。最後一點就是你會希望權重高的神經元數值越高越好，等等但是要怎麼影響神經元的數值呢? 我們不是只能調整權重跟誤差值嗎? 所以要影響神經元的數值，就要再回到上一層。
要影響倒數第一層的數值，我們就得回到倒數第二層，繼續類推，要影響倒數第二層的數值，我們就必須再回到倒數第三層。這也就是為什麼這個方法叫做反向傳播演算法Back Propagation 。
經過這樣一層又一層的推回去，我們就知道了，該針對每一層的權重(Weight)跟誤差值(Bias)該做怎樣調整(是要調低還是調高呢?該調整多少?)。但是別忘了這樣只是針對一個手寫的"2"做調整而已，我們還有千千萬萬個訓練數字跟其他的手寫數字要做訓練，所以我們應該把這些都列出來如下圖，就會發現針對每個手寫數字，每一層的權重跟每一層的誤差值我們都有希望他調整的方向，光以這個簡單的網路來看，就有13002個權重跟誤差值是我們需要去調整的。
最後我們把這些所有訓練的結果加總起來，我們就得到了針對每個權重還有偏差值，我們希望調整的方向。
針對我們得到的結果，去調整這個神經網路裡面的權重跟還誤差值，我們就完成了....一次的訓練! 是的，因為這是一個平均值，所以對每一個數值來說都不夠完美，實際上為了讓權重還有誤差值能夠趨近完美，還需要經過非常多次的iteration (反覆訓練) 才能讓整個網路更正確的判斷數字。 我們今天舉的例子是簡化又簡化過，想要讓大家稍微理解一下到底神經網路的訓練是怎麼做的。實際上為了能夠讓神經網路的訓練更加地有效率，有非常多神經網路訓練的優化方法，這些當然就留給對深度學習有興趣的人可以去看原本的影片囉。
今天我們這篇就介紹到這篇，如果有說錯的或是者是希望替我補充的，都歡迎留言給我，我們下次見囉。
