前言：
此刻我们对“bp算法的原理和基本步骤”大致比较重视，大家都需要剖析一些“bp算法的原理和基本步骤”的相关文章。那么小编也在网上收集了一些有关“bp算法的原理和基本步骤””的相关内容，希望我们能喜欢，兄弟们一起来学习一下吧！我们以直线方程为例，让大家明白为什么要用反向传播。
大家都知道直线方程是 y = kx+ b ,一般解题的时候都是已知k(斜率)和
b(偏移量)。在x和y上来回出题做文章。
但是在算法应用中，我们会有一堆训练数据x和y，让我们通过训练数据想办法找出最符合某种预期的k和b，比如有效的将所有点区分开。
平面线性分类
我们可以设想下，直线方程只需要确定两个参数即可。哪怕是我们慢慢尝试也可以找到答案。但是神经网络模型的参数高达数千万甚至上亿，目前最大的模型参数已经突破千亿。寻找合适的参数是一个非常困难的问题。反向传播算法有效的解决了这个问题。
反向传播算法设计者
典型神经网络
上面只是简单的神经网络图例，网络的每条连接线上都有一个权重参数，如何有效的修改这些参数，使误差最小化，就是BP(Back Propagation)算法，也就是反向传播算法要做的事情。
BP算法是一种计算偏导数的有效方法，它的基本原理是：利用前向传播最后输出的结果来计算误差的偏导数，再用这个偏导数和前面的网络层进行加权求和，如此一层一层的向后展传下去，直到输入层(不计算输入层)，最后利用每个节点求出的偏导数来更新权重。
大家可以不必纠结偏导，误差，计算方法这些问题。下一节我们会把这些概念，以及详细的计算方法和大家说明一下。保证可简单，谁都能看得懂[呲牙]有看不懂的我给你开小灶
版权声明：
本站文章均来自互联网搜集，如有侵犯您的权益，请联系我们删除，谢谢。
标签： #bp算法的原理和基本步骤
