假设神经网络结构如下图所示：有2个输入单元；隐含层为2个神经元；输出层也是2个神经元，隐含层和输出层各有1个偏置。

为了直观，这里初始化权重和偏置量，得到如下效果：

----前向传播----

隐含层神经元h1的输入：

代入数据可得：

假设激励函数用logistic函数，计算得隐含层神经元h1的输出：

同样的方法，可以得到隐含层神经元h2的输出为：

对输出层神经元重复这个过程，使用隐藏层神经元的输出作为输入。这样输出层神经元O1的输出为：

代入数据：

输出层神经元O1的输出：

同样的方法，可以得到输出层神经元O2的输出为：

----统计误差----

假如误差公式为：

如上图，O1的原始输出为0.01，而神经网络的输出为0.75136507，则其误差为：

同理可得，O2的误差为：

这样，总的误差为：

----反向传播----

对于w5，想知道其改变对总误差有多少影响，得求偏导：

根据链式法则：

在这个过程中，需要弄清楚每一个部分。

首先：

其次：

最后：

把以上三部分相乘，得到：

根据梯度下降原理，从当前的权重减去这个值（假设学习率为0.5），得：

同理，可以得到：

这样，输出层的所以权值就都更新了（先不管偏置），接下来看隐含层：

对w1求偏导：

用图表来描述上述链式法则求导的路径：

接下来，又是一部分一部分的计算：

>>>>>>>> 1

上式中，第一部分前边已经计算过了：

第二部分中，因为：

所以：

两部分相乘，得：

>>>>>>>> 2

>>>>>>>> 3

>>>>>>>> 4

这样对W1的偏导就出来了：

更新权值：

同理得到：

最后，更新了所有的权重！ 当最初前馈传播时输入为0.05和0.1，网络上的误差是0.298371109。 在第一轮反向传播之后，总误差现在下降到0.291027924。 它可能看起来不太多，但是在重复此过程10,000次之后。例如，错误倾斜到0.000035085。

在这一点上，当前馈输入为0.05和0.1时，两个输出神经元产生0.015912196（相对于目标为0.01）和0.984065734（相对于目标为0.99）。