神经网络的强大之处在于它能“学习”。但它是怎么做到的呢？这就回到了机器学习的核心——训练过程。让我们用猫狗识别的例子，详细拆解一下：
- 前向传播（Forward Propagation）
一开始，神经网络的参数（每个节点的权重和偏差）是随机的。它把一张猫的图片数据“推”过网络，得到一个初步结果。比如，第一次看到猫，它可能胡乱猜：“60%是狗，40%是猫”，完全不对。 - 误差计算
接着，网络会比较自己的猜测和正确答案（标签告诉它“这其实是猫”），算出误差有多大。误差就像考试分数，分数越低，说明错得越离谱。数学上，这通常用“损失函数”（Loss Function）来衡量，比如“预测值和真实值的差距平方”。 - 反向传播（Backpropagation）
然后，网络从输出层往回调整参数，让误差变小。这有点像你做错数学题，老师告诉你答案是5，你就回头检查哪一步算错了，然后改过来。反向传播用的是“梯度下降”（Gradient Descent）方法，逐步调整每个权重，让网络的预测更接近正确答案。 - 反复训练
一张图片不够，网络需要看成千上万张图片（猫和狗的都有），反复进行前向传播和反向传播。慢慢地，它会发现：“哦，尖耳朵和胡须通常意味着猫，圆耳朵和短鼻子更像是狗。”最终，它就能准确识别了。
举个真实案例：手写数字识别（MNIST数据集）是一个经典例子。神经网络被喂了6万张手写数字图片（0到9），通过训练，它能识别新图片上的数字，准确率高达99%以上。
