分為兩個步驟正向傳播和後向傳播，是一種監督學習。經過正向傳播和後向傳播的反覆運算，當訓練樣本的期望輸出與輸出的誤差函式最小時，得出的權重就是訓練所得的最終權重。
正向傳播：輸入資料從輸入層，到隱藏層，到輸出層得到輸出資料。資料從輸入到輸出方向。
後向傳播： 從輸出層開始，調整出輸出層的權重，然後調整隱藏層的權重。權重的調整從輸出到輸入方向。
輸出層的權重調整：利用梯度下降法。用誤差函式對輸出權重求導數。
隱藏層的權重調整：利用梯度下降法。用誤差函式對隱藏層的權重求導。
神經網路 卷積神經網路
這篇卷積神經網路是前面介紹的多層神經網路的進一步深入，它將深度學習的思想引入到了神經網路當中，通過卷積運算來由淺入深的提取影象的不同層次的特徵，而利用神經網路的訓練過程讓整個網路自動調節卷積核的引數，從而無監督的產生了最適合的分類特徵。這個概括可能有點抽象，我盡量在下面描述細緻一些，但如果要更深入了...
神經網路 卷積神經網路
1.卷積神經網路概覽 來自吳恩達課上一張，通過對應位置相乘求和，我們從左邊矩陣得到了右邊矩陣，邊緣是白色寬條，當畫素大一些時候，邊緣就會變細。觀察卷積核，左邊一列權重高，右邊一列權重低。輸入，左邊的部分明亮，右邊的部分灰暗。這個學到的邊緣是權重大的寬條 都是30 表示是由亮向暗過渡，下面這個圖左邊暗...
神經網路簡介 多層神經網路
如上圖所示，該神經網路有三層。我們標記第一層 也就是輸入層 為a 1 第一層與第二層連線權重為w 1 然後第一層輸入與第一層權重的線性和為z 1 第一層神經元個數為n 1 並依次標記剩餘網路層。可以看出，存在 z l j i 1 n l a l i w l i,j a l w l j a l 1 f...