关于训练实例的神经网络和反向传播，我需要一个简短的问题和一些说明。
如果有人可以将他们的示例建立在与此类似的基础上，那就太好了，因为我缺乏简单易懂的示例。
假设需要训练三种颜色，即红色、蓝色和绿色，我们使用标准化将红色表示如下，因为它们是标称值。
red = 0.4
blue = 0.7
green = 1.0
有 3 个输入层，2 个隐藏层和 1 个输出层。
我假设提供了 -1 和 1 之间的随机权重，并与通过该层馈送它的每个输入层节点相乘，并给出一个存储在实例旁边的网络输出值 0.562。这个输出值会与所有三个实例一起存储吗？训练如何进行以便计算误差然后反向传播？这才是真正让我困惑的地方。
因为我需要编写这个算法，所以最好先更好地理解。
虽然我不完全理解您的示例，但反向传播的问题相当普遍。在具有严格分层前馈和一个输出节点的最简单情况下：
首先，您需要向前传播信息。看起来您可能已经有了这个，但是请确保您跟踪压缩函数之后每个节点的值是什么，让我们称之为 o，并为每个节点保留一个。
前向传播完成后，对于反向传播，您需要计算误差。这就是预期和给定之间的差异。另外将这个乘以导数，以便为以后的更新提供一个方向（导数的推导很复杂，但使用很简单）。
Error[output] = (Expected - Actual) * o(1 - o)
然后通过网络将每个节点的误差向后传播。这给出了每个节点对错误的“责任”的估计。所以每个节点的误差是下一层所有节点的误差，由每个链路上的权重加权。同样，我们乘以导数，所以我们有方向。
Error[hidden] = Sum (Error[output]*weight[hiddenToOutput]) * o(1 - o)
根据需要对每一层链接（输入到隐藏、隐藏到隐藏、隐藏到输出）重复此操作。
最后，通过更新链接上的权重来进行训练。为此，我们结合了获得最终更新所需的所有信息。
Weight[hiddenToOutput] = weight[hiddenToOutput] + learningRate * error[output] * input
其中 input 是进入链接的值（即来自上一层的 'o'，而 error 来自下一层）， learningRate 是一些小的数字（例如 0.01），以限制我们更新的大小。对 weight[inputToHidden] 等层进行了类似的计算。
（（（注意：这假设了 sigmoid 压缩函数））
希望这可以帮助。更多信息可以在很多地方找到。我从 Tom M. Mitchell 的机器学习中学习。它有一个很好的伪代码部分。