【深度學習基礎-07】神經網路演算法（Neural Network）上--BP神經網路基礎理論
目錄
2 多層向前神經網路（Multilayer Feed-Forward Neural Network）
1 起源
以人腦中的神經網路為啟發，出現過不同的版本
最著名的演算法是1980年的BP神經網路（Backpropagation）
2 多層向前神經網路（Multilayer Feed-Forward Neural Network）
2.1 BP神經網路被使用在多層向前神經網路
2.2 多層向前神經網路包含以下部分：
輸入層input layer 隱藏層 hidden layer 輸出層 output layer
2.3 每層由單元units組成
2.4 輸入層是由訓練集的例項特徵向量傳入
2.5 經過連線點的權重weight傳入到下一層，上一層的輸入是下一層的輸入
2.6 隱藏層的個數可以是任意的，輸入層只有一層，輸出層只有一層
2.7 每個單元unit也可以稱為神經結點
2.8 神經網路有幾層？除了輸入層那一層的個數就是幾層
2.9 一層中加權求和，然後根據非線性方程轉化輸出
2.10 多層向前神經網路，理論上，如果有足夠多的隱藏層和足夠大的訓練集，可以模擬出任何方程。
3 設計神經網路
3.1 在使用神經網路訓練資料之前，必須確定層數，以及每層單元的個數
3.2 特徵向量在被傳入輸入層時通常先標準化到0到1之間，為了加速學習過程
3.3 離散型變數可以被編碼成每一個輸入單元對應一個可能的特徵值
- 比如，A可能取值有3種情況，a0,a1,a2，那麼在輸入層時，就設定3個神經單元
- 如果A=a0，則輸入為1,0,0，這三個單元如此設定
- A=a1，則三個單元設定0,1,0。同理以此類推
3.4 神經網路可以用作分類問題，也可以表示迴歸問題
- 輸出單元個數：如果是兩類，那麼輸入單元只需要用1個單元就行
- 如果是多於2類，每個單元代表一個類
- 通常輸出層數量等於類數
- 沒有明確的規則來設計有多少個隱藏從，根據測試和誤差、準確度來實驗並改進
4 交叉驗證方法
5 BP神經網路演算法
5.1 通過迭代性的處理來處理訓練集的例項
5.2 通過對比神經網路後輸出層 預測值和真實值的差異
5.3 反方向（輸出層->隱藏層->輸入層）來以最小化誤差來更新每個連線的權重
5.4 演算法詳細內容：
輸入：D 資料集，學習率learning rate ，一個 多層向前神經網路
輸入：一個訓練好的神經網路
- 初始化權重weights和偏向bias：隨機初始化在-1到1之間，或者-0.5到0.5之間，每個單元 有一個偏向
- 對於 每一個訓練例項，執行以下步驟
根據誤差反向傳送
權重更新的（L）是學習率（變化率）
終止條件
- 權重的更新低於某個閾值
- 預測的錯誤率低於某個閾值
- 達到預設一定的迴圈次數