機器學習說白了就是個劃分邊界的問題，如何把一類物品和其他類更好的分開就是目標。有了目標就需要一個判斷標準，這個判斷標準就是損失函式，等於給模型打分，損失函式值越低，分越高。所以目標就是找到一個完美的劃分平面，使得分數最高。那麼至於怎麼找這個劃分面呢？

1. 多個自變數的線性組合在高維空間裡是一個超平面，理論上可以劃分一切邊界，這裡也就是sum(w_i*x_i+b)的由來，其中b就是偏置項，這裡如果沒有b，函式就恆過原點了。經過不同w和x出來的y喂到下一層作為自變數x，不斷往復，最後出來10個最終的z，把這些z經過softmax函式後出來一個0-1的概率，取概率最大的那一個作為模型的預測值。
2. 拿我們的預測值和真實的值比較，等於說對答案，看看我們能得多少分，這個評分標準就是剛才的損失函式。看到分數之後開始想辦法讓這個分高（也就是損失分更低），這時候就用到梯度下降，因為梯度方向是下降最快的，於是開始求偏導，這一部的目標是，通過預測的結果一步步往回求導，找梯度，也就是反向傳播。我們的目標是通過反向傳播更新最開始輸入端的權重w。
3. 不斷重複1，2，直到我們的預測結果和真實結果之間的損失分不能再降低了（人為給定個閾值），那麼我們就訓練完了。拿著這個結果去跑測試集，等於之前是在做練習題，現在去高考了，高考完就結束了，所以沒有反向傳播的學習過程了，最終考下來的結果也就是準確率，越高越好。

這個就是大概神經網路的原理，至於其中就會涉及到很多數學問題，比如怎麼避免在梯度下降時找到的是極小值而不是最小值？如何提高效率和準確度？如何在高維特徵中保持可解釋性等等，這就要求有很強的數學功底和邏輯思維能力了。