bp(back propagation)神經網路是2023年由rumelhart和mcclelland為首的科學家提出的概念，是一種按照誤差逆向傳播演算法訓練的多層前饋神經網路。
bp神經網路具有任意複雜的模式分類能力和優良的多維函式對映能力，解決了簡單感知器不能解決的異或(exclusive or，xor)和一些其他問題。從結構上講，bp網路具有輸入層、隱藏層和輸出層；從本質上講，bp演算法就是以網路誤差平方為目標函式、採用梯度下降法來計算目標函式的最小值。
所謂神經網路的訓練或者是學習，其主要目的在於通過學習演算法得到神經網路解決指定問題所需的引數，這裡的引數包括各層神經元之間的連線權重以及偏置等。因為作為演算法的設計者（我們），我們通常是根據實際問題來構造出網路結構，引數的確定則需要神經網路通過訓練樣本和學習演算法來迭代找到最優引數組。
說起神經網路的學習演算法，不得不提其中最傑出、最成功的代表——誤差逆傳播（error backpropagation，簡稱bp）演算法。
bp學習演算法通常用在最為廣泛使用的多層前饋神經網路中。
bp演算法的主要流程可以總結如下：
輸入：訓練集
過程：1. 在(0, 1)範圍內隨機初始化網路中所有連線權和閾值
2. repeat:
3. for all (xk,yk)∈d do
4. 根據當前引數計算當前樣本的輸出;
5. 計算輸出層神經元的梯度項；
6. 計算隱層神經元的梯度項；
7. 更新連線權與閾值
8. end for
9. until 達到停止條件
輸出：連線權與閾值確定的多層前饋神經網路
BP神經網路
基本bp神經網路演算法包括 訊號的前向傳播 誤差的反向傳播 也即計算實際輸出時按照輸入到輸出的方向進行，權值閾值調整則相反。bp是一種多層前饋神經網路，由輸入層 隱含層和輸出層組成。層與層之間有兩種訊號在流動 一種是從輸入流向輸出的工作訊號，是輸入和權值的函式 另一種是輸入流向輸出的訊號，即誤差。隱...
BP神經網路
x 為輸入向量，y為隱藏層的神經元，z 為輸出層,d為目標真實值,本文預設 z 不經過sigmod處理。x y的權重為 w,y z的權重為 v yj ix iwij 1 oyi f y j 2 其中激勵函式f x 1 1 e x f x f x 1 f x 3 z k j f yj vjk 此時系統...
BP神經網路
bp是back propagation bp神經網路主要的演算法在於誤差反向傳播error backpropagation 有三層 輸入層 input 隱含層 hidden 輸出層 output 輸入層 n個神經元 隱含層 p個神經元 輸出層 q個神經元 輸入向量 x x1,x2,x n 隱含層輸入...