神经网络

神经网络可以指向两种，一个是生物神经网络，一个是人工神经网络。

生物神经网络：一般指 生物的 大脑神经元， 细胞， 触点等组成的 网络，用于产生生物的 意识，帮助生物进行 思考和 行动。

人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。

人工神经网络：是一种应用类似于大脑神经突触联接的结构进行信息处理的数学模型。在工程与学术界也常直接简称为“神经网络”或类神经网络。

                                                                                                                                   ----摘自百度百科

额，听起来真的是高大上哦，学起来也是让我很头痛……看了别人的博客，根本看不懂，，唯一的感觉就是更高大上了。偶然发现了一本书———《大嘴巴漫谈数据结构》，很容易读懂，我很喜欢这种风格。总结一下：这是关于神经网络入门的一个介绍吧，后面的还需努力。

神经网络的主要组成和基本元素：即输入层，隐藏层，输出层，误差，偏置以及权值等。

神经网络一般由输入层，隐藏层和输出层组成，并由大量神经元连接而成，每个连接都有一个与之对应的权值，通过调整权值，能够对输入样本进行分类。
W ij表示连接单元i到j的权值。偏置和加权函数表示神经元的活性。O i表示单元i的预测输出，T i表示单元i的实际输出。

通过比较模型预测输出和实际输出的类标号距离，进行学习的并且不断修正权值和偏置，使得预测值和实际值之间的误差达到最小。

工作原理：

1,初始化权值和偏置，计算净输入和输出

净输入：I3=O1W13+O2W23+Θ3

将一个较大的净输入通过变换映射到一个较小的区间内作为输出：O3=1/（1+e^-I3）

2,计算输出层和隐藏层误差

输出层误差用于测量样本的实际输出。神经网络根据预测输出与实际输出的误差来调节参数。

输出误差：Err3=O3（1-O3）（T3-O3）

对于隐藏层误差，从输出层开始，反向逐层传递输出层的误差，间接算出隐藏层误差。

Err3=O3（1-O3）Err4W34

3,更新权值和偏置来反映网络预测的误差

W13=W13+（l）Err3O1

W23=W23+（l）Err3O2

Θ 3= Θ 3 +（l）Err 3

#学习率 l 能够动态调整模型学习的速度，通常取值0到1之间。

以上就是通过误差纠正方法，不断调节参数使得神经网络达到某种最优度量。

结束的条件：

1前一周期所有的权值变化咸鱼某个指定的阈值

2前一周期末正确分类的样本占比小于某个指定的阈值

3循环的周期数大于某个指定的阈值