在反向传播过程中计算偏差导数并更新偏差值

在神经网络的反向传播过程中，除了计算权重导数外，还需要计算偏差导数并更新偏差值。偏差导数的计算方法与权重导数类似，可以利用链式法则来推导。

偏差导数的计算公式为：

d_bias = np.sum(delta, axis=0)

其中，delta为输出层的误差，axis=0表示按列求和，即对每个偏差求和。

更新偏差值的公式为：

bias -= learning_rate * d_bias

其中，learning_rate为学习率，bias为当前层的偏差值。

下面是一个简单的示例代码，演示了如何在反向传播过程中计算偏差导数并更新偏差值：

# 反向传播过程中计算偏差导数并更新偏差值
def backward(self, X, y, output):
    # 计算输出层的误差
    delta = output - y
    
    # 计算偏差导数
    d_bias = np.sum(delta, axis=0)
    
    # 更新偏差值
    self.bias -= self.learning_rate * d_bias
    
    # 计算隐藏层的误差
    hidden_error = np.dot(delta, self.weights2.T)
    
    # 计算隐藏层的偏差导数
    d_hidden_bias = np.sum(hidden_error, axis=0)
    
    # 更新隐藏层的偏差值
    self.hidden_bias -= self.learning_rate * d_hidden_bias
    
    # 计算隐藏层到输出层的权重导数
    d_weights2 = np.dot(self.hidden.T, delta)
    
    # 更新隐藏层到输出层的权重值
    self.weights