本次学习第五章-神经网络。本章从最简单的感知机开始,介绍了神经网络中最基础的M-P神经元模型。由于感知机的隐含层的层数限制,因此只能解决线性可分问题,无法解决其他非线性可分问题,因此需要对其进行改进,即引出了基于误差反向传播算法的BP神经网络,该算法在多层前馈神经网络的基础上,增加了基于随机梯度下降法的误差反向传播,使得经过不断迭代,最终使得网络的均方误差收敛到可接收的范围。
另外,由于标准的BP神经网络存在计算量大、对样本变化敏感等问题,又引出了一些改进方法和其他常用的神经网络。
![](https://i-blog.csdnimg.cn/blog_migrate/47eb95745e901ef743ac0d4791c104e0.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/dd35be9cb9d83aedb62124103d2d425d.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/cc84431e46d7cd0c8814cb9089fbbc17.jpeg)
![](https://i-blog.csdnimg.cn/blog_migrate/ecd4cc03fddb2c84959b6f35cb82a92f.jpeg)
本次学习第五章-神经网络。本章从最简单的感知机开始,介绍了神经网络中最基础的M-P神经元模型。由于感知机的隐含层的层数限制,因此只能解决线性可分问题,无法解决其他非线性可分问题,因此需要对其进行改进,即引出了基于误差反向传播算法的BP神经网络,该算法在多层前馈神经网络的基础上,增加了基于随机梯度下降法的误差反向传播,使得经过不断迭代,最终使得网络的均方误差收敛到可接收的范围。
另外,由于标准的BP神经网络存在计算量大、对样本变化敏感等问题,又引出了一些改进方法和其他常用的神经网络。