神經網路是一種模擬人腦的神經網路以期能夠實現類人工智慧的機器學習技術。人腦中的神經網路是乙個非常複雜的組織。**的大腦中估計有1000億個神經元。
神經網路的發展背後的外在原因可以被總結為：更強的計算效能，更多的資料，以及更好的訓練方法。只有滿足這些條件時，神經網路的函式擬合能力才能得已體現。
神經元分為三種不同型別的層次，輸入層，隱藏層，輸出層。
每個神經元都有權重、偏差和啟用函式。 資訊進入輸入層，神經元通過權重和偏差對輸入資訊進行線性變換，而非線性變換由啟用函式完成。 資訊從輸入層傳輸到隱藏層，隱藏層對資訊進行處理並將結果傳送到輸出層。 這被稱為前向傳播。如果產生的輸出偏離預期值呢？ 在神經網路中，我們將根據誤差更新神經元的權重和偏差。 這個過程被稱為反向傳播。一旦所有訓練資料經過了這一過程，則最終的權重和偏差就被用於測試。
神經網路訓練的原理即定義隱藏層的神經元，調整權值，找到能夠在乙個給定資料集上效能良好的擬合函式。這裡有乙個指導思想：泛逼近性原理，指的是具有乙個隱藏層的神經網路可以近似任何乙個你想要的的函式，你想要它近似得多好，就能有多好。
常用的啟用函式如下表。
神經網路原理
一 應用情況 神經網路在機器學習中應用比較廣泛，比如函式逼近，模式識別，分類，特徵提取 影象處理等方面。二 原理 1 神經元模型 神經元模型基本上包括多個輸入 類似突觸 這些輸入分別被不同的權值相乘 收到的訊號強度不同 然後被乙個數學函式用來計算決定是否激發神經元。還有乙個函式 也許是不變，就是複製...
BP神經網路原理
一，什麼是bp bp back propagation 網路是1986年由rumelhart和mccelland為首的科學家小組提出，是一種按誤差逆傳播演算法訓練的多層前饋網路，是目前應用最廣泛的神經網路模型之一。bp網路能學習和存貯大量的輸入 輸出模式對映關係，而無需事前揭示描述這種對映關係的數學...
競爭神經網路原理
競爭學習神經網路原理 生物學原理 在人眼的視網膜中存在一種側抑制現象，即乙個神經細胞興奮後，會對周圍的神經細胞產生抑制作用。這種側抑制使神經細胞之間呈現出競爭，開始可能多個細胞同時興奮，但興奮程度最強的神經細胞對周圍的神經細胞的抑制作用也越強，其結果使周圍神經細胞的興奮度減弱，從而該神經細胞是這次競...