本文介绍了BP神经网络的基本结构，包括输入层、输出层和隐藏层，并详细阐述了激活函数、权值初始化、误差反向传播以及网络训练的停止条件。通过实例解释了如何计算网络的净输入、输出以及误差，最后提到了训练集、测试集和验证集在确定网络性能中的作用。
神经网络由三层组成，分别是输入层，输出层和隐蔽层。根据需要，隐蔽层可以是一层，二层或者三层。一般来说，使用一层隐蔽层，以及输出层使用非线性函数已经可以适用绝大数问题。多加一层隐蔽层并不会带来结果上的明显改进，反而会加大训练的时间。
以下的公式均假设在BP网络中使用logistic激活函数，输出层也使用该激活函数。
连接的权值：相邻两层节点的单元均互相连接。即前一层中的每一个单元均和（且只和）后一层网络中的每一个单元相连接，且该权重一般初始化为[-0.1,0.1]之间的一个随机小数，用Wij表示，即前一层的节点i与后一层的节点j之间相连接的权值。
输入层：输入层的
最低0.47元/天 解锁文章
2742
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
