问：[整理] BP神经 讲解——最好的版本
- 答：利用输出后的误差来估计输出层的直接前导层的误差，再用这个误差估计更前一层的误差，如此一层一层的反传下去，就获得了所有其他各层的误燃乱碧差估计。
输入：
输出：
输出的导数：
使用S型激活函数时，BP 的输出及其导数图形：
根据S激活函数的图形：
对神经 进行训练，我们应皮举该尽量将net的值尽量控制在收敛比较快的范围内。
给各连接权值分别赋一个区间 （-1,1） 内的随机数，设定误差函数 e ，给定计算精度值 ε 和最大陪凯学习次数 M 。
可以列出如下等式：
可以列出如下等式：
当误差对权值的偏导数大于零时，权值调整量为负，实际输出大于期望输出，权值向减少方向调整，使得实际输出与期望输出的差减少。
当误差对权值的偏导数小于零时，权值调整量为正，实际输出少于期望输出，权值向增大方向调整，使得实际输出与期望输出的差减少。
问：什么是BP神经 ？
- 答：BP算法的基本思想是：学习过程由信号正向传播与误差的反向回传两个部分组成；正向传播时，输入样本从输入层传入，经各隐层依次逐层处理，传向输出层，若输键拆出层输出与期望不符，则将误差作为调整信号逐层反向回传，对神经元之间的连接权矩阵做出处理，使误差减小。经反复学习，最终使误差减小到可接受的范围。具体步骤如下：
1、从训练集中取出某一样本，把信息输入 中。
2、通过各节点间的连接情况正向逐层处理后，得到神经网瞎亮陵络的实际输出。
3、计算 实际输出与期望输出的误差。
4、将误差逐层反向回传至之前各层，并按一定原则将误差信号加载到连接权值上，使整个神经 的连接权值向误差减小的方向转化。
5、対训练集中每一个输入—输出样本对重复以上步骤，直到整个训练样本磨戚集的误差减小到符合要求为止。 - 答：BP 是州碧行一种神经 学习算法。其由输入层、中间层、输出层组成的阶层型神经册哗 ，中间层可扩展为多层。相邻层之间各神经元进行全连接，而每层各神经元之间无连接， 按有教师示教的方式进行学习，当一对学习模式提供给 后，各神经元获得 的输入响应产生连接权值（Weight）。然后按减小希望输出与实际输出误差的方向，从输出层经各中间层逐层修正各连接权，回到输入层。此过程反复交替进行，直至 的全局误差趋向给定的极小值，即完成学习的过程。
找个神经 软件，如NeuroSolutions或迈实神经 软件，边操作边慧行学习，会更好的理解神经 。 - 答：科普配族中国·科学百科培宴弊：BP神经 祥判
问：在看了案例二中的BP神经 训练及预测代码后，我开始不明白BP神经 究竟能做什么了。。。 程序最后得到
- 答： 的训练过程与使用过程了两码事。
比如BP应用在分类， 的训练是指的给你一些样本，同时告诉你敬猜这些样本属于哪一类，然后代入 训练，使得这个 具备一定的分类能力，训练完成以后再拿一个未知类别的数据通过 进行分类。这里的训练过程就是先伪随机生成权值，然后把样本输入进去算出每一层的输出，并最终算出来预测输出（输出层的输出），这是正向学习过程；最后通过某种训练算法（最基本的是感知器算法）使得山则代价（预测输出与实际输出的某范数）函数关于权重最小，这个就是反向传播过程。
您所说的那种不需要预先知道样本类逗稿棚别的 属于无监督类型的 ，比如自组织竞争神经 。 - 答：BP 的作用类似于人脑的类推学习过程，
分为训练过程：已知条件+已知结果===神经
和应用过程：待解答条件+神经 ===模拟结果晌键
比如我们在认知过程中，
看到[黑猫败谨梁]我察运们会联想到[猫]
看到[白猫]我们会联想到[猫]
看到[黄猫]我们会联想到[猫]
神经 训练完毕
在应用中
我们看到一只[花猫]
能够识别是[猫]
这就是神经 ，输入的是已知的条件和结果
就像举例说明
对于未知的输入进行变量匹配
如果匹配不成功，就算误差，然后更新认知
直到匹配成功
对神经 进行训练后， - 答：不是字多就好，要理解别人同时让别瞎巧人理解才行。
按照你的问题简单的说就是新数据磨锋键遍历旧数基衫据在训练集的到的输出。 - 答：bp 只有预测效果，比如利用往年的业绩来预测今年的
