对于BP神经网络的一些理解

推导的话可能我能力有限，不是很理解那些很复杂的推导过程，但是讲一下自己的理解还是没有问题的，首先便是肯定会有的三层结构，输入层，隐藏层，输出层，然后再输入层和隐藏层之间会有权重来调节相关的内容。此外还有独特的机制，比如值和特征是正向传递，而误差是反向传递的，这里的话，误差反向传递便是能够使其精准预测的关键。

下文就是一些查到的比较权威的解释：BP神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为BP算法，它的基本思想是梯度下降法，利用梯度搜索技术，以期使网络的实际输出值和期望输出值的误差均方差为最小。基本BP算法包括信号的前向传播和误差的反向传播两个过程。即计算误差输出时按从输入到输出的方向进行，而调整权值和阈值则从输出到输入的方向进行。正向传播时，输入信号通过隐含层作用于输出节点，经过非线性变换，产生输出信号，若实际输出与期望输出不相符，则转入误差的反向传播过程。误差反传是将输出误差通过隐含层向输入层逐层反传，并将误差分摊给各层所有单元，以从各层获得的误差信号作为调整各单元权值的依据。通过调整输入节点与隐层节点的联接强度和隐层节点与输出节点的联接强度以及阈值，使误差沿梯度方向下降，经过反复学习训练，确定与最小误差相对应的网络参数(权值和阈值)，训练即告停止。此时经过训练的神经网络即能对类似样本的输入信息，自行处理输出误差最小的经过非线形转换的信息。（来源：百度百科）

下图便是三层结构的一个小例子：

对于这个图，可以看出会有很多的数据需要进行计算，当然会有一些误差存在，那bp神经网络中会存在一个误差分析函数，以及权重调节的函数，这些会对bp神经网络来得到最后想要的结果会很有帮助。

所以说对于bp神经网络的话，最大的特点就算是正向传播和误差的逆向分析了。