人工智能tensorflow实验报告
实验报告及建议
一、实验背景随着科技的不断发展，人工智能技术在各个领域得到了广泛应用。
深度学习作为人工智能的一个重要分支，在图像识别、语音识别、自然语言处理等领域取得了显著成果。
本实验旨在通过构建一个简单的深度学习模型，实现图像分类任务，并对实验结果进行分析与总结。
二、实验目的1. 熟悉深度学习的基本概念和原理；2. 掌握深度学习框架的使用方法；3. 分析不同模型在图像分类任务中的性能；4. 对实验结果进行总结，为后续研究提供参考。
三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 深度学习框架：TensorFlow4. 数据集：MNIST手写数字数据集四、实验内容1. 数据预处理首先，我们将MNIST数据集加载到Python环境中，并对数据进行预处理，包括归一化、归一化到[0, 1]区间等。
2. 构建深度学习模型本实验采用卷积神经网络（CNN）模型进行图像分类。
模型结构如下：- 输入层：28x28像素的图像- 卷积层1：32个5x5的卷积核，激活函数为ReLU- 池化层1：2x2的最大池化- 卷积层2：64个5x5的卷积核，激活函数为ReLU- 池化层2：2x2的最大池化- 全连接层1：128个神经元，激活函数为ReLU- 全连接层2：10个神经元（对应MNIST数据集中的10个数字），激活函数为softmax3. 训练模型使用训练数据对模型进行训练，设置优化器为Adam，学习率为0.001，训练轮次为10。
4. 测试模型使用测试数据对模型进行测试，计算准确率、召回率、F1值等指标。
五、实验结果与分析1. 训练过程在训练过程中，模型准确率逐渐提高，最终达到99.1%。
训练过程如图1所示。
图1 训练过程2. 测试结果使用测试数据对模型进行测试，得到以下结果：- 准确率：99.1%- 召回率：99.0%- F1值：99.0%实验结果表明，该深度学习模型在图像分类任务中取得了较好的性能。
深度学习实训报告
一、实训背景随着人工智能技术的快速发展，深度学习作为人工智能领域的重要分支，受到了广泛关注。
为了提高自身在深度学习领域的实践能力，我参加了为期一个月的深度学习实训。
本次实训主要使用TensorFlow和PyTorch框架，通过实际项目操作，掌握深度学习算法及其应用。
二、实训内容1. 实训目标（1）熟悉TensorFlow和PyTorch框架的基本操作；（2）掌握深度学习算法的基本原理和应用；（3）学会搭建深度学习神经网络模型；（4）提高解决实际问题的能力。
2. 实训内容（1）TensorFlow框架基础在实训过程中，我首先学习了TensorFlow框架的基本操作，包括张量操作、自动微分、神经网络搭建等。
通过实际操作，掌握了TensorFlow的编程风格和特点。
（2）PyTorch框架基础接着，我学习了PyTorch框架的基本操作，包括张量操作、自动微分、神经网络搭建等。
PyTorch框架具有易用性和灵活性，使我能够快速上手。
（3）深度学习算法在实训过程中，我学习了多种深度学习算法，如卷积神经网络（CNN）、循环神经网络（RNN）、长短时记忆网络（LSTM）等。
通过实际案例分析，了解了各种算法的优缺点和应用场景。
（4）图像识别项目在实训过程中，我以猫狗识别项目为例，使用卷积神经网络进行图像识别。
首先，我进行了数据预处理，包括数据加载、数据增强等；然后，搭建了卷积神经网络模型，并使用TensorFlow或PyTorch进行训练和预测。
通过调整模型参数和优化算法，提高了识别准确率。
（5）自然语言处理项目在实训过程中，我以文本分类项目为例，使用循环神经网络进行自然语言处理。
首先，我进行了数据预处理，包括文本分词、词向量表示等；然后，搭建了循环神经网络模型，并使用TensorFlow或PyTorch进行训练和预测。
通过调整模型参数和优化算法，提高了分类准确率。
三、实训成果1. 熟练掌握了TensorFlow和PyTorch框架的基本操作；2. 理解了深度学习算法的基本原理和应用；3. 学会了搭建深度学习神经网络模型；4. 提高了解决实际问题的能力。
《人工智能》实验报告
一、实验目的1. 了解机器学习的基本概念和常用算法。
2. 掌握使用Python编程语言实现图像识别系统的方法。
3. 培养分析问题、解决问题的能力。
二、实验环境1. 操作系统：Windows 102. 编程语言：Python3.73. 开发工具：PyCharm4. 机器学习库：TensorFlow、Keras三、实验内容1. 数据预处理2. 模型构建3. 模型训练4. 模型评估5. 模型应用四、实验步骤1. 数据预处理（1）下载图像数据集：选择一个适合的图像数据集，例如MNIST手写数字数据集。
（2）数据加载与处理：使用TensorFlow和Keras库加载图像数据集，并进行预处理，如归一化、调整图像大小等。
2. 模型构建（1）定义网络结构：使用Keras库定义神经网络结构，包括输入层、隐藏层和输出层。
（2）选择激活函数：根据问题特点选择合适的激活函数，如ReLU、Sigmoid等。
（3）定义损失函数：选择损失函数，如交叉熵损失函数。
（4）定义优化器：选择优化器，如Adam、SGD等。
3. 模型训练（1）将数据集分为训练集、验证集和测试集。
（2）使用训练集对模型进行训练，同时监控验证集的性能。
（3）调整模型参数，如学习率、批大小等，以优化模型性能。
4. 模型评估（1）使用测试集评估模型性能，计算准确率、召回率、F1值等指标。
（2）分析模型在测试集上的表现，找出模型的优点和不足。
5. 模型应用（1）将训练好的模型保存为模型文件。
（2）使用保存的模型对新的图像进行识别，展示模型在实际应用中的效果。
五、实验结果与分析1. 模型性能：在测试集上，模型的准确率为98.5%，召回率为98.3%，F1值为98.4%。
2. 模型优化：通过调整学习率、批大小等参数，模型性能得到了一定程度的提升。
3. 模型不足：在测试集中，模型对部分图像的识别效果不佳，可能需要进一步优化模型结构或改进训练方法。
六、实验总结通过本次实验，我们了解了机器学习的基本概念和常用算法，掌握了使用Python编程语言实现图像识别系统的方法。
TensorFlow实训报告总结
TensorFlow实训报告总结近日学习使用TensorFlow搭建神经网络建模终于取得了一些微小的成绩：1、学会了搭建神经网络模型。
2、学会了使用compile来配置模型训练方法，如损失函数、优化器、准确性评价方法。
3、学会了一些经典的神经网络模型的实现方法。
4、学会了各优化器的作用和效果。
5、学会了搭建神经网络进行训练和学习的整体框架和步骤。
我回顾整个学习TF的过程，总结了这中间发生的几个关键转折点：1、找对了教材。
2、跟对了老师。
3、成功安装TF2，成功配置IDEA开发环境解释器，成功进入开发环境。
4、自己动手在IDEA中coding，熟练掌握建模的关键核心步骤。
5、开始问问题，去读官方API文档寻找答案。
6、开始在脑海中将各分散凌乱的API组织成一张交互的知识网，对庞杂的官方API文档有了功能逻辑上的整体认识。
正如我坚信的那句话，学习路上的每一步都不会浪费。
每个当下看似零散无用的知识都会在将来某个时刻某个地方发挥其不可或缺的作用。
学习TensorFlow的这一路走来，躺了无数的坑，历尽了困惑和不解，比我去年9月份开始学习Spark的时候难多了。
但是也正是因为这样的一个曲折的过程，才让我发现和总结了一些宝贵的学习经验。
接下来就开始细说下这段曲折的学习过程，已经在这个过程中的6个关键点都是如何发生的？1、找对教材开始学习TensorFlow的时候，但是官方教程完全让人摸不着头脑。
我跟着官方教程学了2周多还未能有感觉，果断失去了耐心。
这是找错的第一本教材。
之后觉得要想系统的了解TF，了解它的运行原理和计算机制还是要有一本系统的教材才行。
所以我网上搜了下相关教材，检索到的高频推荐的教材就是《TensorFlow实战-Google深度学习框架》。
大约花了一周多的时间看完，还在2月17号的时候发了一篇学习笔记博文：《TensorFlow实战-Google深度学习框架》笔记但是这是我找错的第二本教材。
人工智能实验报告内容
人工智能实验报告内容人工智能实验报告内容人工智能（Artificial Intelligence, AI）作为一种重要的技术，正在逐渐影响到我们的日常生活和工作。
本次实验旨在学习和探索人工智能的基本技术，并通过实践加深对其原理和应用的理解。
首先，本次实验分为两个部分：人工智能基础技术的学习和人工智能应用的实践。
在人工智能基础技术学习的部分，我们研究了人工智能的核心技术包括机器学习、神经网络、深度学习等。
我们首先学习了机器学习的基本概念和算法，包括监督学习、无监督学习和强化学习等。
我们使用Python编程语言，利用机器学习库进行了实践，例如使用Scikit-learn库实现了线性回归和K-means 聚类算法。
其次，我们学习了神经网络的基本原理和算法，在激活函数、损失函数、优化算法等方面进行了深入研究。
我们利用TensorFlow库搭建了神经网络模型，并使用MNIST数据集进行了手写数字识别的实验。
通过不断调整网络结构和参数，我们逐渐提高了模型的准确率。
最后，我们学习了深度学习的原理和常用的深度学习模型，包括卷积神经网络（Convolutional Neural Network, CNN）、循环神经网络（Recurrent Neural Network, RNN）等。
我们使用Keras库搭建了CNN模型，并使用CIFAR-10数据集进行了图像分类实验。
通过优化网络结构和参数，我们的模型在测试集上取得了较高的准确率。
在人工智能应用的实践部分，我们选择了自然语言处理（Natural Language Processing, NLP）为主题，具体研究了文本分类和情感分析两个任务。
我们使用了Python编程语言和NLTK（Natural Language Toolkit）库进行了实践。
首先，我们使用朴素贝叶斯算法实现了文本分类的任务，通过比较不同的特征提取方法，我们找到了最适合该任务的特征提取方法。
其次，我们使用情感词典和机器学习算法实现了情感分析的任务，通过对情感分析模型进行评估和调优，我们提高了模型的准确率和鲁棒性。
人工智能_实验报告
人工智能_实验报告
一、实验目标
本次实验的目的是对人工智能进行深入的理解，主要针对以下几个方面：
1.理论基础:了解人工智能的概念、定义和发展历史；
2.技术原理:学习人工智能的基本技术原理，如机器学习、自然语言处理、图像处理等；
3. 设计实现: 熟悉基于Python的人工智能开发；
4.实践应用:了解常见的应用场景，例如语音识别、图像分析等；
二、实验环境
本次实验基于Python3.7语言编写，实验环境如下：
1. 操作系统：Windows10
3. 基础库和工具：Numpy, Matplotlib, Pandas, Scikit-Learn, TensorFlow, Keras
三、实验内容
1. 机器学习
机器学习是一门深受人们喜爱的人工智能领域，基于机器学习，我们可以让计算机自动学习现象，并做出相应的预测。
主要用于语音识别、图像处理和自然语言处理等领域。
本次实验主要通过一个关于房价预测的实例，结合 Scikit-Learn 库，实现了机器学习的基本步骤。
主要包括以下几步：
（1）数据探索：分析并观察数据，以及相关的统计数据；
（2）数据预处理：包括缺失值处理、标准化等；
（3）建模：使用线性回归、决策树等监督学习模型，建立房价预测
模型；。
模型作业_实验报告
一、实验背景随着人工智能技术的快速发展，模型作业在各个领域得到了广泛应用。
本实验旨在通过构建一个简单的模型，实现对某一特定任务的自动化处理，提高工作效率。
以下是本次实验的具体内容和步骤。
二、实验目的1. 熟悉模型作业的基本原理和操作流程；2. 掌握模型构建、训练和测试的方法；3. 体验模型在实际任务中的应用效果。
三、实验环境1. 操作系统：Windows 102. 编程语言：Python3. 数据库：MySQL4. 模型库：TensorFlow四、实验内容1. 数据预处理2. 模型构建3. 模型训练4. 模型测试5. 模型应用五、实验步骤1. 数据预处理（1）数据采集：从数据库中提取所需数据，包括特征值和标签。
（2）数据清洗：去除缺失值、异常值，并进行数据标准化处理。
（3）数据划分：将数据集划分为训练集、验证集和测试集。
2. 模型构建（1）导入TensorFlow库。
（2）定义模型结构：选择合适的神经网络结构，包括输入层、隐藏层和输出层。
（3）编译模型：设置优化器、损失函数和评估指标。
3. 模型训练（1）使用训练集数据对模型进行训练。
（2）在训练过程中，观察模型性能的变化，调整超参数。
（3）使用验证集数据监控模型性能，防止过拟合。
4. 模型测试（1）使用测试集数据评估模型性能。
（2）计算模型准确率、召回率等指标。
5. 模型应用（1）将训练好的模型保存为模型文件。
（2）在实际任务中加载模型，进行预测。
六、实验结果与分析1. 数据预处理：通过数据清洗和标准化处理，提高了数据质量，为后续模型训练提供了良好的数据基础。
2. 模型构建：根据任务需求，选择合适的神经网络结构，保证了模型性能。
3. 模型训练：在训练过程中，调整超参数，使模型性能达到最佳状态。
4. 模型测试：模型准确率、召回率等指标达到预期目标，表明模型在实际任务中具有较好的性能。
5. 模型应用：在实际任务中，加载训练好的模型，实现了自动化处理，提高了工作效率。
深度学习的实验报告(3篇)
第1篇一、实验背景随着计算机技术的飞速发展，人工智能领域取得了显著的成果。
深度学习作为人工智能的一个重要分支，在图像识别、语音识别、自然语言处理等方面取得了突破性进展。
手写数字识别作为计算机视觉领域的一个重要任务，具有广泛的应用前景。
本实验旨在利用深度学习技术实现手写数字识别，提高识别准确率。
二、实验原理1. 数据集介绍本实验采用MNIST数据集，该数据集包含60000个训练样本和10000个测试样本，每个样本为28x28像素的手写数字图像，数字范围从0到9。
2. 模型结构本实验采用卷积神经网络（CNN）进行手写数字识别，模型结构如下：（1）输入层：接收28x28像素的手写数字图像。
（2）卷积层1：使用32个3x3卷积核，步长为1，激活函数为ReLU。
（3）池化层1：使用2x2的最大池化，步长为2。
（4）卷积层2：使用64个3x3卷积核，步长为1，激活函数为ReLU。
（5）池化层2：使用2x2的最大池化，步长为2。
（6）卷积层3：使用128个3x3卷积核，步长为1，激活函数为ReLU。
（7）池化层3：使用2x2的最大池化，步长为2。
（8）全连接层：使用1024个神经元，激活函数为ReLU。
（9）输出层：使用10个神经元，表示0到9的数字，激活函数为softmax。
3. 损失函数与优化器本实验采用交叉熵损失函数（Cross Entropy Loss）作为损失函数，使用Adam优化器进行参数优化。
三、实验步骤1. 数据预处理（1）将MNIST数据集分为训练集和测试集。
（2）将图像数据归一化到[0,1]区间。
2. 模型训练（1）使用训练集对模型进行训练。
（2）使用测试集评估模型性能。
3. 模型优化（1）调整学习率、批大小等超参数。
（2）优化模型结构，提高识别准确率。
四、实验结果与分析1. 模型性能评估（1）准确率：模型在测试集上的准确率为98.5%。
（2）召回率：模型在测试集上的召回率为98.2%。
（3）F1值：模型在测试集上的F1值为98.4%。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一、软件下载为了更好的达到预期的效果，本次tensorflow开源框架实验在Linux环境下进行，所需的软件及相关下载信息如下：1.CentOS软件介绍：CentOS 是一个基于Red Hat Linux 提供的可自由使用源代码的企业级Linux 发行版本。
每个版本的CentOS都会获得十年的支持（通过安全更新方式）。
新版本的CentOS 大约每两年发行一次，而每个版本的CentOS 会定期（大概每六个月）更新一次，以便支持新的硬件。
这样，建立一个安全、低维护、稳定、高预测性、高重复性的Linux 环境。
CentOS是Community Enterprise Operating System的缩写。
CentOS 是RHEL（Red Hat Enterprise Linux）源代码再编译的产物，而且在RHEL的基础上修正了不少已知的Bug ，相对于其他Linux 发行版，其稳定性值得信赖。
软件下载：本次实验所用的CentOS版本为CentOS7,可在CentOS官网上直接下载DVD ISO镜像文件。
下载链接：/centos/7/isos/x86_64/CentOS-7-x86_64-DVD-1611.i so.2.Tensorflow软件介绍：TensorFlow是谷歌基于DistBelief进行研发的第二代人工智能学习系统，其命名来源于本身的运行原理。
Tensor（张量）意味着N维数组，Flow（流）意味着基于数据流图的计算，TensorFlow为张量从流图的一端流动到另一端计算过程。
TensorFlow是将复杂的数据结构传输至人工智能神经网中进行分析和处理过程的系统。
TensorFlow可被用于语音识别或图像识别等多项机器深度学习领域，对2011年开发的深度学习基础架构DistBelief进行了各方面的改进，它可在小到一部智能手机、大到数千台数据中心服务器的各种设备上运行。
TensorFlow将完全开源，任何人都可以用。
软件下载：本次实验所用的Tensorflow版本为Tensorflow0.5.0,因为实验是在Linux下进行的，所以须在Tensorflow官网或GitHub上下载Linux版本的。
下载链接：https:///tensorflow/tensorflow/tree/0.5.03.Anaconda软件介绍：Anaconda是一个用于科学计算的Python发行版，支持Linux, Mac, Windows 系统，提供了包管理与环境管理的功能，可以很方便地解决多版本python并存、切换以及各种第三方包安装问题。
Anaconda利用工具/命令conda来进行package 和environment的管理，并且已经包含了Python和相关的配套工具。
软件下载：本次实验所用的Anaconda版本为Anaconda2-4.2.0,因为实验环境在Linux中进行，所以需在Anaconda官网上下载Linux版本的。
下载链接：https://www.continuum.io/downloads/#linux.4.VMware Workstation软件介绍：VMware Workstation（中文名“威睿工作站”）是一款功能强大的桌面虚拟计算机软件，提供用户可在单一的桌面上同时运行不同的操作系统，和进行开发、测试、部署新的应用程序的最佳解决方案。
VMware Workstation可在一部实体机器上模拟完整的网络环境，以及可便于携带的虚拟机器，其更好的灵活性与先进的技术胜过了市面上其他的虚拟计算机软件。
对于企业的IT开发人员和系统管理员而言，VMware在虚拟网路，实时快照，拖曳共享文件夹，支持PXE 等方面的特点使它成为必不可少的工具。
软件下载：本次实验所用的VMware Workstation版本为VMware Workstation10.7z，可以在百度搜索的相关网站下载，也可以在VMware Workstation官网上下载。
下载链接：https:///web/vmware/info/slug/desktop_end_user_computing/vmware_workstation/10_0.5.Xshell软件介绍：Xshell是一个强大的安全终端模拟软件，它支持SSH1,SSH2, 以及Microsoft Windows 平台的TELNET 协议。
Xshell 通过互联网到远程主机的安全连接以及它创新性的设计和特色帮助用户在复杂的网络环境中享受他们的工作。
Xshell可以在Windows界面下用来访问远端不同系统下的服务器，从而比较好的达到远程控制终端的目的。
软件下载：本次实验所用的Xshell版本为Xshell5.0.0964,可直接在百度软件中心下载，也可以在Xshell官网上下载（包含中文汉化版的）。
下载链接：/xshell_download.html.二、软件安装本次实际桌面操作系统为Windows7,但实验需在Linux环境下进行，所以需要安装一个虚拟机，其软件的安装如下：1.VMware Workstation10.7z本次实验的VMware Workstation10.7z为一个可执行的exe文件，选择好安装目录，双击便可安装。
安装截图如下：成功安装后截图：2.CentOS7本次实验的CentOS7为一个ISO镜像文件，需在VMware Workstation10.7z 中新建虚拟机来进行安装。
由于安装步骤比较繁琐，这里选取主要截图（其具体安装可参考链接https:///article/eae0782787b4c01fec548535.html）：成功安装后截图：运行截图：3.Anaconda2-4.2.0本次实验的Anaconda2-4.2.0为一个sh文件，通过命令bash Anaconda2-4.2.0-Linux-x86_64.sh进行安装。
安装截图如下：成功安装后，调用ipython界面：4.Tensorflow本次实验的Tensorflow0.5.0为一个whl文件，可以直接通过命令pip install tensorflow-0.5.0-cp27-none-linux_x86_64.whl进行安装。
安装截图如下：成功安装截图：5.Xshell本上实验的Xshell5.0.0964为一个可执行的exe文件，选择好安装目录，双击即可进行安装。
安装截图如下：成功安装后截图：运行截图：三、算法原理本次实验的inception模型主要运用了CNN卷积神经网络，下面主要就CNN卷积神经网络和inception模型做一个简单的介绍：CNN卷积神经网络：卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。
20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。
现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。
K.Fukushima在1980年提出的新识别机是卷积神经网络的第一个实现网络。
随后，更多的科研工作者对该网络进行了改进。
其中，具有代表性的研究成果是Alexander和Taylor提出的“改进认知机”，该方法综合了各种改进方法的优点并避免了耗时的误差反向传播。
一般地，CNN的基本结构包括两层，其一为特征提取层，每个神经元的输入与前一层的局部接受域相连，并提取该局部的特征。
一旦该局部特征被提取后，它与其它特征间的位置关系也随之确定下来；其二是特征映射层，网络的每个计算层由多个特征映射组成，每个特征映射是一个平面，平面上所有神经元的权值相等。
特征映射结构采用影响函数核小的sigmoid函数作为卷积网络的激活函数，使得特征映射具有位移不变性。
此外，由于一个映射面上的神经元共享权值，因而减少了网络自由参数的个数。
卷积神经网络中的每一个卷积层都紧跟着一个用来求局部平均与二次提取的计算层，这种特有的两次特征提取结构减小了特征分辨率。
CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。
由于CNN 的特征检测层通过训练数据进行学习，所以在使用CNN时，避免了显示的特征抽取，而隐式地从训练数据中进行学习；再者由于同一特征映射面上的神经元权值相同，所以网络可以并行学习，这也是卷积网络相对于神经元彼此相连网络的一大优势。
卷积神经网络以其局部权值共享的特殊结构在语音识别和图像处理方面有着独特的优越性，其布局更接近于实际的生物神经网络，权值共享降低了网络的复杂性，特别是多维输入向量的图像可以直接输入网络这一特点避免了特征提取和分类过程中数据重建的复杂度。
1.Convolution Layers 卷积层在一个卷积层，上一层的特征maps 被一个可学习的卷积核进行卷积，然后通过一个激活函数，就可以得到输出特征map 。
每一个输出map 可能是组合卷积多个输入maps 的值：1*j j i ij j i M x f x k b ζζ-ζζ∈⎛⎫=+ ⎪ ⎪⎝⎭∑ 这里j M 表示选择的输入maps 的集合，那么到底选择哪些输入maps 呢？有选择一对的或者三个的。
但下面我们会讨论如何去自动选择需要组合的特征maps 。
每一个输出map 会给一个额外的偏置b ，但是对于一个特定的输出map ，卷积每个输入maps 的卷积核是不一样的。
也就是说，如果输出特征map j 和输出特征map k 都是从输入map i 中卷积求和得到，那么对应的卷积核是不一样的。
（1）Computing the Gradients 梯度计算()11'(u )TW f ζζ+ζ+ζδ=δ (公式1) 这里的“◦”表示每个元素相乘。
1()T E x W ζ-ζζ∂=δ∂E W W ζζ∂=-η∂ (公式2) 我们假定每个卷积层ζ都会接一个下采样层ζ+1 。
对于BP 来说，我们知道，要想求得层ζ的每个神经元对应的权值的权值更新，就需要先求层ζ的每一个神经节点的灵敏度δ（也就是权值更新的公式（2））。
为了求这个灵敏度我们就需要先对下一层的节点（连接到当前层ζ的感兴趣节点的第ζ+1层的节点）的灵敏度求和（得到1ζ+δ），然后乘以这些连接对应的权值（连接第ζ层感兴趣节点和第ζ+1层节点的权值）W 。
再乘以当前层ζ的该神经元节点的输入u 的激活函数f 的导数值（也就是那个灵敏度反向传播的公式（1）的ζδ的求解），这样就可以得到当前层ζ每个神经节点对应的灵敏度ζδ了。