机器学习说白了就是个划分边界的问题，如何把一类物品和其他类更好的分开就是目标。有了目标就需要一个判断标准，这个判断标准就是损失函数，等于给模型打分，损失函数值越低，分越高。所以目标就是找到一个完美的划分平面，使得分数最高。那么至于怎么找这个划分面呢？
1. 多个自变量的线性组合在高维空间里是一个超平面，理论上可以划分一切边界，这里也就是sum(w_i*x_i+b)的由来，其中b就是偏置项，这里如果没有b，函数就恒过原点了。经过不同w和x出来的y喂到下一层作为自变量x，不断往复，最后出来10个最终的z，把这些z经过softmax函数后出来一个0-1的概率，取概率最大的那一个作为模型的预测值。
2. 拿我们的预测值和真实的值比较，等于说对答案，看看我们能得多少分，这个评分标准就是刚才的损失函数。看到分数之后开始想办法让这个分高（也就是损失分更低），这时候就用到梯度下降，因为梯度方向是下降最快的，于是开始求偏导，这一部的目标是，通过预测的结果一步步往回求导，找梯度，也就是反向传播。我们的目标是通过反向传播更新最开始输入端的权重w。
3. 不断重复1，2，直到我们的预测结果和真实结果之间的损失分不能再降低了（人为给定个阈值），那么我们就训练完了。拿着这个结果去跑测试集，等于之前是在做练习题，现在去高考了，高考完就结束了，所以没有反向传播的学习过程了，最终考下来的结果也就是准确率，越高越好。
这个就是大概神经网络的原理，至于其中就会涉及到很多数学问题，比如怎么避免在梯度下降时找到的是极小值而不是最小值？如何提高效率和准确度？如何在高维特征中保持可解释性等等，这就要求有很强的数学功底和逻辑思维能力了。