输入层       隐藏层1       隐藏层2       输出层
(神经元)    (神经元)    (神经元)    (神经元)
(Inputs)    (Neurons)   (Neurons)   (Outputs)

[输入数据] --> [权重1] --> [激活函数1] --> [权重2] --> [激活函数2] --> [输出]

下面是一个更详细的描述：

1. 输入层：包含多个神经元，每个神经元接收一个输入特征。

   • 例如：[输入1, 输入2, …, 输入n]

2. 隐藏层1：包含多个神经元，每个神经元与输入层的每个神经元相连。

   • 每个连接都有一个权重，例如：[权重11, 权重12, …, 权重1n]。
   • 每个神经元都有一个偏置，例如：[偏置1]。
   • 神经元的输出是输入的加权和加上偏置，然后通过激活函数处理。

3. 激活函数1：可以是Sigmoid、ReLU等，用于引入非线性。

   • 例如：激活函数(加权和 + 偏置)

4. 隐藏层2：与隐藏层1类似，但是连接的是隐藏层1的输出。

   • 例如：[权重21, 权重22, …, 权重2m]，其中m是隐藏层1的神经元数量。

5. 激活函数2：与激活函数1类似。

6. 输出层：包含一个或多个神经元，用于输出预测结果。

   • 例如：[权重31, 权重32, …, 权重3m]，连接的是隐藏层2的输出。
   • 输出层的激活函数可能是Softmax（用于多分类问题）或Sigmoid（用于二分类问题）。

7. 损失函数：用于计算预测输出与真实标签之间的差异。

8. 反向传播：通过损失函数计算梯度，然后更新权重和偏置。