从第二层开始，每一个神经元都会获得它上一层所有神经元的结果。即每一个 y = wx + b的值。
具体分析如下：
如此下去就会非常可能出现了一个问题——就是越靠后的神经元获得的y值会非常大，试想一下，如果这个数远远大于它前面神经元的值，前面神经元对整个网络的表达就显得毫无意义。所以我们在每创建一层网络时就要多“y”进行一次约束。
我们有很多选择，但最好的方法就是运用Sigmoid函数。它可以将每层网络中的神经元全部控制在0-1之间。
我们到最后输出层每个神经元就可以获得一个y值。
三.反向传播（数据一层层传播来，我们就一层层给它们每个反馈）
写到这里，我觉的我们可以先返回到我们出发点，我们为什么想要搭建一个网络，我相信大部分人的出发点就是想要网络对未知物体进行预测。反向传播所做的就是让每一个神经元都拥有一个wh值。这样我们在传进一个新的数据时，我们可以将他准确的预测。
训练的目的是希望神经网络的输出和真实数据的输出＂一样＂，但是在＂一样＂之前，模型输出和真实数据都是存在一定的差异，我们把这个＂差异＂作这样的一个参数ee代表误差的意思，那么模型输出加上误差之后就等于真实标签了，作：y=wx+b+e。我们把每次的失误都加起来。为了防止e值的正负抵消。我们取其平方值。这样我们就可以获得一个损失函数。如下：
损失值顾名思义，它就是误差，我们肯定希望它越小越好，所以我们接下来想做的就是取得的新w值与b值使随时函数取得的值越小越好。专家们名其曰：梯度下降。
数学公式如下：
写出总式子：
利用这种链式传播，我们就可以更新我们的每个神经元。
全连接网络可以经过大量数据的训练之后，对一个未知事物进行预测。是深度学习的基础。如有不足之处，还望指正。文章有所参考，但仅为少数公理。