写出神经网络中学习算法的伪码

以下是神经网络中基本的反向传播算法的伪代码：

输入：训练数据集，学习率α

输出：最终的神经网络模型

1. 初始化：随机生成网络中所有连接的权值w和阈值b

2. 重复执行以下步骤直到满足停止条件：

a. 对于训练集中的每个样本(x,y)，进行前向传播计算输出y^

b. 计算输出层神经元的误差项δ^L

c. 从输出层开始反向传播误差，计算每层的误差项δ^l

d. 计算每个连接的梯度∂C/∂w和∂C/∂b

e. 更新每个连接的权值w和阈值b：w ← w - α∂C/∂w, b ← b - α∂C/∂b

3. 返回最终的神经网络模型

其中，C表示代价函数，L表示输出层在神经网络中的层数，^表示估计值。在实际实现中，还需要考虑参数初始化、正则化、批量梯度下降等细节问题。