阅读 Tom M. Mitchell 的《机器学习》后，根据自己的理解写的最基础的人工神经网络反向传播算法。

如果本地计算机安装了基本环境，在当前目录执行make即可，要求编译器支持C++ 11，成功编译后执行 ./bpnn.out。

输出了训练集的迭代序号以及每次迭代后对应的绝对误差值，最后输出对测试集的测试结果（正确的测试结果数/总的测试样例数）。

1. number.data：自己构造的 0 - 9 十个数字的点阵图形，训练集和测试集相同，仅作为编写代码过程中的测试使用，没有代表性；
2. iris.data：鸢尾花数据集 是机器学习中常用的数据集之一，采用其中一半数据进行训练，另一半数据进行测试，在隐藏层只有2层，学习50次以后，测试结果正确率超过90%，可以通过调节参数获得更高的正确率；
3. mnist：MNIST 包含数万张手写的 0 - 9 的数字的图片，数据具有真实性，具体内容请查看上述链接，对60000个训练数据学习后，对测试集的正确率超过90%，可以通过调节参数获得更高的正确率，由于数据文件较大，此处并未包含，可到MNIST 下载数据集，解压后放到此目录下，打开main.cpp 中的test_mnist() 函数即可进行测试（读取失败可能是大端小端问题）。

BPNN::save(std::ostream&) 可以用来将学习结果保存到文件，将文件用二进制方式打开，执行此函数即可：

BPNN bpnn(a, b, c);
// do some thing
ofstream out;
out.open("bpnn.dat", ios::binary);
bpnn.save(out);
out.close();

读取文件同理：

BPNN bpnn;
ifstream in;
in.open("bpnn.dat", ios::binary);
bpnn.read(in);
in.close();
// do some thing