BP 神经网络(Back Propagation Neural Network)是一种基于误差反向传播算法训练的多层前馈神经网络,核心是通过反向传播误差来调整网络权重,从而实现对复杂非线性关系的学习与拟合,是深度学习的基础模型之一。
一、核心原理:“前馈算预测,反向调权重”
BP 神经网络的工作逻辑围绕 “两次传递” 展开,即前馈传播(计算预测结果)和反向传播(优化权重参数),最终目标是最小化预测值与真实值的误差。
前馈传播:信号从输入层流入,经隐藏层的加权计算与激活函数处理后,传递到输出层,得到预测结果(这一步的公式已在之前的对话中详细介绍)。
反向传播:计算输出层的误差(通过损失函数,如均方误差、交叉熵),并将误差从输出层反向传递到隐藏层,利用梯度下降算法计算各层权重的调整量,逐步修正权重和偏置,降低误差。