人工智能实验
反向传播神经网络BPNN
目录
人工智能实验
反向传播神经网络BPNN
1. 算法原理
2. 流程图和伪代码
3. 代码展示
4. 采用的优化建议
5. 实验结果及分析
6. 思考题
1. 算法原理
一般的反向传播神经网络如上图所示，由一个输入层、若干个隐藏层和一个输出层组成。每层有若干个节点，称为神经元。除了输入层外，每层的节点连接着上一层的每个神经元。每个神经元由两部分组成：一个线性变化和一个激活部分。
1.1 前向传播
1.1.1 加权计算（线性变化）
每个神经元的线性变化部分类似于之前实验中的感知机算法。每个神经元连接上一层的全部节点，上一层的每个节点作为该神经元的输入数据。该节点保存着一个权重向量$\bold w=[w_1,w_2,...,w_n,w_0]$，其中$n$表示上一层的节点数，$w_0$代表偏置，对应的输入值恒为1。对于上一层的输入$\bold x = [x_1,x_2,...,x_n,x_0]$，其中$x_0=1$，加权计算的值为两个向量的点乘，即：
1.1.2 激活函数（非线性变化）
考虑到数据集的分布不一定是线性的，而加权求和的计算结果必然是线性结果，因此需要在神经网络中加入非线性变化的部分，从而更好地拟合数据分布。激活函数就是神经网络中的非线性部分。激活函数是一个非线性函数，将之前加权计算得到的结果作为输入，通过激活函数将得到的结果进行输出，从而产生非线性变化。常用的激活函数有：
