本文介绍了BP（误差逆传播）神经网络的工作原理，通过一个单隐层前馈神经网络的例子，详细阐述了反向传播过程中权重和阈值的调整规则。内容包括网络结构、Sigmoid函数、误差计算、梯度下降法以及防止过拟合的策略。
BP神经网络算法即误差逆传播算法（error Back Propagation），先将输入层输入的数据提供给输入层神经元，然后逐层将信号前传，直到产生输出层的结构；然后计算输出层的误差，再将误差逆向传播至隐层神经元，最后根据隐层神经元的误差来对连接权和阈值进行调整，如此循环迭代，直到达到某些条件为止。
一般而言，只需包含一个足够多神经元的隐层，就能以任意精度逼近任意复杂度的连续函数，故下面以训练单隐层的前馈神经网络为例。
上图为一个单隐层前馈神经网络的拓扑结构，BP神经网络算法也使用梯度下降法，以单个样本的均方误差的负梯度方向对权重进行调节。可以看出：BP算法首先将误差反向传播给隐层神经元，
最低0.47元/天 解锁文章
545
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
