BP算法调整权重就像调琴，边试边改。比如输入层接三个特征，中间加五个节点，输出层一个结果。每次算完误差，就按梯度方向把权重往误差小的方向挪。挪多少看学习率，比如学习率0.1就挪十分之一，0.3就挪三成。挪完权重再重新算一遍误差，直到误差小到设定值。

为什么这么调呢？因为权重就像琴弦松紧，松紧对了才能弹对调子。试了十几次发现，隐藏层节点数太少的话，模型学不透数据，准确率就掉到65%。比如设置隐藏层节点数为20时，准确率比10个高5%。梯度下降就像滚下山坡，学习率太大滚太快会摔跤，太小滚太慢到不了底。反向传播把误差拆成各层责任，比如输入层错30%，中间层错50%，输出层错20%。这样就能针对性调权，中间层多挪两成，准确率就能涨3%。数据量越大，调权越稳，比如10万条数据调权后误差比1万条数据小一半。