BP 神经网络（Back Propagation Neural Network）是一种基于误差反向传播算法训练的多层前馈神经网络，核心是通过反向传播误差来调整网络权重，从而实现对复杂非线性关系的学习与拟合，是深度学习的基础模型之一。
一、核心原理：“前馈算预测，反向调权重”
BP 神经网络的工作逻辑围绕 “两次传递” 展开，即前馈传播（计算预测结果）和反向传播（优化权重参数），最终目标是最小化预测值与真实值的误差。
前馈传播：信号从输入层流入，经隐藏层的加权计算与激活函数处理后，传递到输出层，得到预测结果（这一步的公式已在之前的对话中详细介绍）。
反向传播：计算输出层的误差（通过损失函数，如均方误差、交叉熵），并将误差从输出层反向传递到隐藏层，利用梯度下降算法计算各层权重的调整量，逐步修正权重和偏置，降低误差。
