深度学习- BP神经网络

感知机

感知机接收多个输入信号，输出一个信号。这里所说的信号”可以想象成电流或河流那样具备“流动性”的东西。像电流流过导线，向前方输送电子一样，感知机的信号也会形成流，向前方输送信息。

 神经元

x1,x2是输入信号，y是输出信号，w1、w是权重,o是“神经元”，或者叫节点，输入信号被送往神经元时，会被分别乘以固定的权重，也叫加权求和，神经元会计算传送过来的信号的总和。

 

BP神经网络

 

BP算法的核心思想

学习过程由信号的正向传播和误差的反向传播两个过程组成。

正向传播：

输入层的神经元负责接受外界发来的各种信息，并将信息传递给中间层神经元，中间隐含层神经元负责将接收到的信息进行处理变换，根据需求处理信息，实际应用中可将中间隐含层设置为一层或者多层隐含层结构，并通过最后一层的隐含层将信息传递到输出层，这个过程就是BP神经网络的正向传播过程。

反向传播：

当实际输出与理想输出之间的误差超过期望时，就需要进入误差的反向传播过程。它首先从输出层开始，误差按照梯度下降的方法对各层权值进行修正，并依次向隐含层、输入层传播。通过不断的信息正向传播和误差反向传播，各层权值会不断进行调整，这就是神经网络的学习训练。当输出的误差减小到期望程度或者预先设定的学习迭代次数时，训练结束，BP神经网络完成学习。

B P神经网络的推导