什么是反向传播神经网络(Backpropagation Neural Network)？

在程序设计、计算机和人工智能领域，反向传播神经网络就是一种使用反向传播的人工神经网络（ANN）。反向传播是一种基本的，也是一种常用的算法，它指导人工神经网络如何执行给定的任务。尽管这个概念看起来可能令人困惑，在看了...

在程序设计、计算机和人工智能领域，反向传播神经网络就是一种使用反向传播的人工神经网络（ANN）。反向传播是一种基本的，也是一种常用的算法，它指导人工神经网络如何执行给定的任务。尽管这个概念看起来可能令人困惑，在看了这个过程中所需要的方程之后，这个概念和完整的神经网络是很容易理解的。女人用计算机做倒立，对于那些不熟悉神经网络的人来说，一个ANN，或者仅仅是一个代表“神经网络”的NN，是一种数学以现实生活中神经网络的某些特征为模式的模型，如在生物中发现的。人脑是最终的神经网络，其功能为如何改进人工神经网络的结构和操作提供了一些线索。就像最原始的大脑一样，人工神经网络有一个相互连接的人工神经元网络来处理信息。它的有趣之处在于，它可以根据它从环境和网络内部接收到的信息，在必要时调整和修改它的结构。它是一个复杂的计算模型，使用非线性统计数据分析，能够解释数据之间的复杂关系，如输入和输出。它可以解决传统计算方法无法解决的问题。反向传播神经网络的想法第一次出现在1969年，来自Arthur E.Bryson和Yu Chi Ho的工作，从1974年开始，反向传播神经网络被认为是人工神经网络研究和创造的一个创新性突破神经网络学习是人工神经网络中的一项主要任务，它确保它能够继续正确地处理数据，从而正确地执行它的功能。反向传播神经网络使用delta规则的一种广义形式来实现神经网络学习。这意味着它利用了一个能够计算的教师输入到网络中的特定输入的期望输出。换句话说，反向传播神经网络通过示例进行学习。程序员提供一个学习模型，在给定一组特定输入的情况下，证明正确的输出是什么。这个输入输出示例是教师或模型，网络的其他部分可以在此之后对后续的计算进行模式化。整个过程按测量的间隔有条理地进行。给定一组确定的输入，神经网络应用从模型中学习的计算得出初始输出。然后将该输出与最初已知的、预期的或良好的输出进行比较，并根据需要进行调整，在此过程中，计算出一个误差值，然后通过反向传播神经网络来回传播，直到确定最佳输出