1、基础概念
人工神经网络的概念：其从信息处理角度对人脑神经元网络进行抽象，构建某种简单的模型，按不同的连接方式组成不同的网络。在工程与学术界我们通常把人工神经网络简称为神经网络或类神经网络。
神经网络的概念：是一种运算模型，由大量的节点(也可以说神经元)之间连接构成。每个节点代表一种特定的输出函数，称为激励函数或者激活函数。每两个节点间的连接都代表一个对于通过连接信号的加权值，称之为权重。这相当于人神经的记忆(就是仿生)，神经网络的输出则根据网络的连接方式、权重值和激活函数的不同而不同。而网络本身通常都是对自然界某种算法或函数的逼近，也可能是一种逻辑策略的表达。简单来说，人工神经网络搭建利用函数拟合的性质体现自然规律。
2. 模型
Bp神经网络是一种非线性多层前向反馈网络，一般分三层，分别是输入层、隐含层和输出层，这三层中的每一层只影响下一层的神经元状态，若预期预测结果得不到期望输出，网络则进行反向传播。
主要思路：输入数据，利用反向传播算法不断调整参数，根据最终调整的参数建立模型。
3.代码
#构建一个结构为[10,15,1]的BP神经网络
model = tf.keras.Sequential([tf.keras.layers.Dense(15,activation='relu',input_shape=(10,)),
tf.keras.layers.Dense(1)])
model.summary() #显示网络结构
model.compile(optimizer='SGD',loss='mse') #定义优化方法为随机梯度下降，损失函数为mse
#x->训练集,y——>bia标签,epochs=10000训练的次数,validation_data=(test_x,test_y)——>验证集
history = model.fit(x,y,epochs=10000,validation_data=(test_x,test_y))