㈠ bp神经网络算法的原理
BP神经网络算法的原理
BP神经网络算法，即反向传播神经网络算法，是一种在多层前馈神经网络中应用的学习算法。其主要原理是通过不断调节网络权重，使得神经网络的输出值接近实际值，从而完成从输入到输出的映射。
一、前向传播
在BP神经网络中，信息通过输入层进入网络，然后逐层向前传播。每一层的神经元都会接收来自前一层的输出，并通过特定的权重进行加权处理，然后产生本层的输出。这些输出会作为下一层神经元的输入。
二、误差计算
神经网络的输出会与真实值进行比较，形成误差。这个误差会通过损失函数进行量化，常用的损失函数有均方误差等。这个误差会作为网络学习的目标，指导权重的调整方向。
三、反向传播
当误差计算完成后，信息会按照反向的方向传播，即误差信号会通过神经网络的层间连接，从输出层逐层传回输入层。在这个过程中，每一层的权重都会根据误差信号进行调整。调整的规则是通过梯度下降法来实现的，即沿着误差函数的梯度方向，调整权重以减小误差。
四、权重更新
权重的更新是BP神经网络学习的关键。每次权重更新后，神经网络会再次进行前向传播和误差计算，然后再次进行反向传播和权重更新。这个过程会不断重复，直到网络的输出误差达到可接受的程度，或者达到预设的学习次数。
BP神经网络算法的核心就是通过不断调整和更新网络权重，使得神经网络的输出尽可能接近实际值。这种学习方式是监督学习的一种，需要真实的样本数据来指导学习过程。
㈡ 简单介绍神经网络算法
直接简单介绍神经网络算法
神经元：它是神经网络的基本单元。神经元先获得输入，然后执行某些数学运算后，再产生一个输出。
神经元内输入 经历了3步数学运算，
先将两个输入乘以 权重 ：
权重 指某一因素或指标相对于某一事物的重要程度，其不同于一般的比重，体现的不仅仅是某一因素或指标所占的百分比，强调的是因素或指标的相对重要程度
x1→x1 × w1
x2→x2 × w2
把两个结果相加，加上一个 偏置 ：
（x1 × w1）+（x2 × w2）+ b
最后将它们经过 激活函数 处理得到输出：
y = f(x1 × w1 + x2 × w2 + b)
激活函数 的作用是将无限制的输入转换为可预测形式的输出。一种常用的激活函数是 sigmoid函数
sigmoid函数的输出 介于0和1，我们可以理解为它把 (−∞,+∞) 范围内的数压缩到 (0, 1)以内。正值越大输出越接近1，负向数值越大输出越接近0。
神经网络： 神经网络就是把一堆神经元连接在一起
隐藏层 是夹在输入输入层和输出层之间的部分，一个神经网络可以有多个隐藏层。
前馈 是指神经元的输入向前传递获得输出的过程
训练神经网络 ，其实这就是一个优化的过程，将损失最小化
损失 是判断训练神经网络的一个标准
可用 均方误差 定义损失
均方误差 是反映 估计量 与 被估计量 之间差异程度的一种度量。设t是根据子样确定的总体参数θ的一个估计量，(θ-t)2的 数学期望 ，称为估计量t的 均方误差 。它等于σ2+b2，其中σ2与b分别是t的 方差 与 偏倚 。
预测值 是由一系列网络权重和偏置计算出来的值
反向传播 是指向后计算偏导数的系统
正向传播算法 是由前往后进行的一个算法