感知器，神经网络，bp神经网络，反向传播算法，感知器网络，深度神经网络概念分不清？

感知器：一个多输入单输出的一个具有激活函数的神经元。
感知器网络：具有多个神经元（感知器）的网络。eg;bp神经网络中隐含层与输入层就是一种感知器网络。
bp神经网络：这个bp神经网络名字来源于中国人的翻译，实际上就是。前馈人工神经网络。bp也是反向传播算法，反向传播（bp）的缩写。
一般来说人工神经网络输出层，使用线性输出，那么计算中间隐含层的误差梯度就方便计算。普遍假设认为最后一层的输出的激活认为是线性的导数为1‘’（实际也有用sigmoid做归一输出，单计算依旧按照线性梯度的）。

反向传播算法：
对于一层网络权值的更新。从误差，更新从输出的误差计算梯度。结合输入的数值与学习率，得到局部梯度下的权值变化量。
深度神经网络：
一般来说如果激活函数使用的半线性的话。relu，那么每一层网络的公式计算就方便。那就之和当前层输出误差，梯度，输入，学习率。有关。
这就是深度网络引入半线性激活函数作用。
如果依旧引入sigmoid那么会导致计算复杂度过于复杂。不方便更新，而且计算速度大大下降。

实际上概念定义并非都是确定的。感知器的思想是对的（负反馈思想）。
那么反传误差大小，每层之间误差传递是可以看按照线性比例计算error，在利用激活函数计算权值变化量。实现更新权值。