sigmoid函数:
x的值可能为[−∞,+∞],为了方便处理，需要将其压缩到一个合理的范围，还需
这样的激励函数，能够将刚才的区间压缩到[0,1]。
sigmoid 是使用范围最广的一类激活函数，具有指数函数形状，它在物理意义上最为接近生物神经元。此外，(0, 1) 的输出还可以被表示作概率，或用于输入的归一化，代表性的如Sigmoid交叉熵损失函数。
然而，sigmoid也有其自身的缺陷，最明显的就是饱和性。
BP算法就是所谓的反向传播算法，它将误差进行反向传播，从而获取更高的学习效率。这很像烽火台，如果前线战败了，那么消息就通过烽火台传递回指挥部，指挥部去反思问题，最终改变策略。
但这带来一个问题，中间层的误差怎么计算？我们能简单地将权重和残差的乘积，返回给上一层节点（这种想法真暴力，从左到右和从右到左是一样的）。
这相当于三次传播：
- 第一步：从前向后传播FP
- 第二步：得到值z，误差为y,将误差反向传播，获得每个节点的偏差$\sigma$
- 第三步：再次正向传播，通过上一步的$\sigma$，再乘以步长，修改每一个神经元突触的权重。
下面一张图展示了完整的BP算法的过程，我看了不下20遍：
更有趣的是，sigmoid求导之后，特别像高斯（正态）分布，而且sigmoid求导非常容易。
