01 | 背景

 

我們已經知道單層感知器具有簡單的分類功能（比如將二維平面上的若干點分為兩類），而且隨著網絡層數的增加，網絡處理復雜問題的能力也隨之增加。但是從單層感知器模型提出后，在相當長的一段時間內都沒有人將單層感知器擴展到多層，究其原因，就是人們一直沒有找到合適的訓練方法來對各層之間的權值進行調整。直到1986年，Rumelhart 和McCelland領導的科學家小組才對多層感知器的誤差反向傳播（error back propagation,簡稱BP）算法進行了詳盡的分析，將神經網絡擴展到了多層。由于多層感知器的訓練通常使用BP算法，所以這種多層感知器也叫做BP神經網絡。

 

02 | BP神經網絡的結構

 

以一個三層感知器為例，如下圖所示，該網絡包含一個輸入層，一個隱層，一個輸出層。輸入向量為X，隱層輸出向量為Y，輸出層輸出向量為O，期望輸出向量為d，輸入層到隱層之間的權值矩陣用V來表示，隱層到輸出層之間的權值矩陣用W來表示。

《新程序員》：云原生和全面數字化實踐50位技術專家共同創作，文字、視頻、音頻交互閱讀

總結

以上是生活随笔為你收集整理的机器学习从入门到精通系列之BP神经网络理论知识详解的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。