神经网络是深度学习领域中的一种重要模型，它由多个神经元组成的层级结构构成。在神经网络中，反向传播（Back Propagation, BP）算法是一种常用的训练方法，通过反向传播误差信号，调整神经元之间的权重和偏置，从而优化网络的性能。

神经网络是一个大概念的范围，其下有很多不同方向的模型：

• NLP（自然语言处理）模型是一种处理自然语言的模型，主要应用于文本分类、情感分析、语音识别等领域。常用的NLP模型包括：循环神经网络（RNN）、长短时记忆网络（LSTM）、卷积神经网络（CNN）等。这些模型通过对文本数据的预处理、特征提取和序列建模等方式，实现对文本数据的分析和处理。

• BP（反向传播）模型是一种基于神经网络的监督式学习模型，主要应用于分类和回归问题。BP模型的核心是反向传播算法，通过在网络中反复迭代优化权重和偏置，最终实现对输入数据的预测。BP模型中常用的层包括输入层、输出层和隐藏层，其中每一层都包含若干个节点，节点之间通过权重相连。

因此，虽然NLP模型和BP模型都是神经网络模型，但它们的应用领域和网络结构有所不同。NLP模型主要应用于文本处理领域，而BP模型则更多地应用于分类和回归问题。

神经网络是一种受生物神经系统启发而设计的算法，（生物——电信号模型——数学模型【感知器】）

值得注意的是图中所示有一个参数是1，那是因为在得到结果u其实还有一个过程有一个类似偏离值的参数来进行数据的纠正

它包含多个层级，每一层都包含多个神经元。

每个神经元接收来自前一层神经元的输入，并将其加权并传递到下一层神经元。

这个过程通过一系列的矩阵乘法和非线性函数处理完成。最终，神经网络会产生一个输出结果，这个结果可以是数字分类、图像标签、自然语言翻译等。

在神经网络中，每个神经元都有一些权重，这些权重代表神经元学习到的知识。通过大量的数据训练神经网络，权重会不断地更新，使得网络能够更好地预测新的数据。

来一个简单的线性案例，来感受一下感知器如何处理信息：

接下来我们将介绍如何创建一个BP模型，并向其添加层以构建完整的网络结构。

首先，在创建BP模型之前，需要引入相关的库，如下所示：

from tensorflow.keras import models
from tensorflow.keras import layers
复制

接下来，我们可以使用Sequential函数创建一个空白的BP模型，如下所示：

model=models.Sequential()
复制

接着，我们需要向模型中添加层以构建完整的网络结构。在这里，我们将向模型中添加四层，分别是输入层、两个隐藏层和输出层。其中，输入层和隐藏层使用Dense函数定义，输出层使用softmax函数进行分类。

代码如下：

model.add(layers.Dense(name="dense1",units=1024, input_dim=784, kernel_initializer='normal', activation='relu'))
model.add(layers.Dense(name="dense2",units=512, kernel_initializer='normal', activation='relu'))
model.add(layers.Dense(name="dense3",units=256, kernel_initializer='normal', activation='relu'))
model.add(layers.Dense(name="output",units=10, activation='softmax'))
复制

在以上代码中，Dense函数定义的参数包括层的名称、神经元数量、输入维度、权重初始化方式和激活函数等。其中，name参数用于给层起一个名称，方便后续查找和调用；units参数指定了该层神经元的数量；input_dim参数指定了输入数据的维度，即输入层的大小；kernel_initializer参数指定了权重的初始化方式，这里使用了正态分布进行初始化；activation参数指定了该层的激活函数，这里使用了relu函数。

最后，我们可以使用model.summary()函数输出模型的结构信息，以便更好地理解网络的构成和参数数量。代码如下：

model.summary()
复制

通过以上步骤，我们成功创建了一个BP模型，并向其添加了输入层、两个隐藏层和输出层，完成了神经网络的结构构建。