知识卡片
BP网络的三层结构与误差反传
BP 网络在感知器基础上引入分层,形成输入层、隐含层、输出层三层结构。输入层接收样本向量与偏置,经权重加权求和并通过 Logistic 激活函数传给下一层;隐含层可一层或多层(一般不超过两层),输出层给出最终分类权值;期望输出就是分类标签向量。与多层感知器不同,BP 网络的关键在于每一层都计算与预期结果的误差,并把误差反向传播到上一层以修正其权重——信息前馈、误差反馈,形成闭环。这一结构改变了传统网络的分层与逻辑,基本解决了非线性分类问题。理解要点:隐含层是处理非线性的关键,误差反传则是让隐层得以调整的依据。
结构图:
flowchart LR
A[输入层 样本+偏置] --> B[隐含层 Logistic]
B --> C[输出层 分类权值]
D[期望输出 标签] --> E[计算误差]
E -.反向传播.-> C
C -.反向传播.-> B
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 第6章 神经网络初步 · 查看原书依据
与多层感知器不同,BP网络的每一层都计算与预期结果的误差,并以反向传播的方式将误差传递到上一层,修正上一层的权重。下面我们详细了解一下BP网络的训练过程。
参考来源
- 位置:《机器学习算法原理与编程实践》第6章 神经网络初步(源文件:extracted/机器学习算法原理与编程实践/_epub-src/OEBPS/text00022.html)
- 结论依据:原文给出 BP 网络基本结构的输入层、隐含层、输出层、期望输出四部分,并指出每层计算误差、以反向传播修正上层权重,支撑三层结构加误差反传的图。
- 原始内容:与多层感知器不同,BP网络的每一层都计算与预期结果的误差,并以反向传播的方式将误差传递到上一层,修正上一层的权重。下面我们详细了解一下BP网络的训练过程。