多层前馈神经网络又名多层前馈全互连接网。多层的意思是除了输入层和输出层以外,还存在一个或者多个隐含层。前馈的意思是外界信号从输入层经由隐含层到达输出层,不存在信号的逆向传播。全互连接是指每层神经元与下层神经元全互连接,神经元之间不存在同层连接,也不存在跨层连接。
![c8c2b00ce21b775f147ff8c61e4bccb0.png](https://i-blog.csdnimg.cn/blog_migrate/bcafed02497bcc71bbe9f1483ce4baf2.jpeg)
多层前馈网的结构图
其中输入层神经元接收外界输入,隐含层与输出层神经元对信号进行加工,最终结果由输出层神经元输出。也就是说,输入层神经元只是接受输入,不进行函数处理,隐含层和输出层才进行函数处理。
神经网络参数学习就是根据训练数据来调整神经元之间的连接权以及每个功能神经元的阈值。换言之,神经网络学到的东西都存放在连接权和阈值中。
![740c60948e4e8ba0c51669884db7009d.png](https://i-blog.csdnimg.cn/blog_migrate/02e5663a178a5071d142b08a87fdb4b4.jpeg)
多层前馈神经网络的学习
多层前馈神经网络的表达能力比单层感知机要强得多。要学习多层前馈神经网络,单层感知机的学习规则是远远不够的,需要更强大的学习算法。误差逆传播算法就是其中最杰出的代表,它是迄今最成功的神经网络学习算法。
现实任务中使用神经网络时,大多是在使用BP算法进行训练。需要指出的是&#