神经网络的学习方法还有很多，但Hebb具有标志性的意义，误差反传神经网络之前的只讲这一种，如果大家有兴趣可以参考
这本书进行进一步的了解。
误差反传（BP）神经网络
下图是误差反传神经网络的结构示意图（来源,侵删）
如图所示，误差反传神经网络由输入层、输出层和中间层(或称隐层)组成。（和图上不一样的是，隐层通常是多层）
它的输出计算公式可以表示为：
误差反传神经网络是用一种叫梯度下降的方法进行训练的，关于梯度下降法可以参考：梯度下降是门手艺活…… - 无痛的机器学习 - 知乎专栏,本文将不会展开讲述。
使用梯度下降法后，权值调整公式如下：
其中：
同时阈值调整公式可以表示为：
关于误差反传神经网络的公式的推导，可以参考段首提供的文献。
讲了这么多公(fei)式(hua)，误差反传神经网络的特点是什么呢？
误差反传神经网络作为一个多层的神经网络，它有非线性分类的能力（单层神经网络发展受约束的原因），而且和多层感知器不同的是，它具备良好和学习能力（这是第一个多层神经网络的学习算法）。这两个特点和它的易用性使得它成为现在使用最多的神经网络。
不过它还有许多缺点：样本需求量过大，易陷入局部最优······
但无论如何，它始终是这个领域最经典的算法（没有之一），带领神经网络的研究从低迷走向辉煌（在它之前，神经网络的前景并不被人看好，因为没有多层神经网络的训练方法），在这里向它的提出者们：由Rumelhart和McCelland为首的科学家小组致敬。
本人的BPNN实现：GitHub - mwsht/BPNN: Back Propagation Neural Network
PS:代码会溢出（在使用class指针数组时）大家可以帮忙检查一下。