【深度学习原理第1篇】前馈神经网络，感知机，BP神经网络

前馈神经网络（FNN）

前馈神经网路是一种单向多层的网络结构，信息从输入层开始，逐层向一个方向传递，即单向传递，一直到输出层结束。前馈的意思就是指传播方向指的是前向。前馈神经网络由三部分组成：输入层（第0层），输出层（最后一层），中间部分称为隐藏层，隐藏层可以是一层，也可以是多层。FNN如下图所示，其中圆圈是神经元。

学习神经网络前向传播与反向传播推导过程必须了解，这是许多网络的基础，推荐下面的up主视频，用案例来讲解底层传播过程与机理，并做出了推导，跟着推一遍，理解会更深刻，不然后面学习就可能一知半解了

地址如下：https://space.bilibili.com/49109393/channel/detail?cid=36482

FNN举例：如果要机器判断某人信用卡是否会透支？x1，x2，…，xn表示的就是造成透支的可能因素，包括年龄，家庭人数，性别，家庭住址，生活开销等，这个作为输入，然后经过一系列训练计算，最后到输出层输出透支，还是不透支

感知机（感知器）

感知机是一种最简单的前馈神经网络，只有一个神经元，不同权值w1，w2，… ，wn表示不同特征xi的权重，即不同特征xi影响结果的重要程度不同，如图

补充：感知机只能做十分简单的分类问题，如去解决and-与，or-或问题，这两个都是线性问题，都能用直线分开类别，但是异或问题，感知机就解决不了，因为是非线性问题，而BP神经网络就能很好解决非线性问题，我们生活中问题绝大部分都是非线性问题，所以最早的感知机十分局限，但它的出现在当时意义巨大。

BP神经网络

BP神经网络是前馈神经网络的一种，是指用反向传播算法（BP算法）进行训练的多层前馈神经网络，它包括信号的前向传播和误差的反向传播两个过程，即计算误差输出时（预测与真实的误差）按从输入到输出的方向进行，而调整权值w和偏置b，则从输出到输入的方向进行（在输出层不能得到期望的输出或者说与真实差别较大，才转入反向传播进行调整）。通过不断的前向计算误差输出，再反向调整权值w和偏置b，让它预测出新的输出y’，不断迭代重复，最终能得到误差十分小的输出，如误差为0.01、0.001，与真实的值十分接近。如图所示

注：BP算法基本思想是梯度下降（求偏导，每次找到梯度下降最快的方向），上面推荐up主视频推导部分，权值w - 学习率α*偏导数，可以理解成调整的过程，偏导数指每次梯度下降多少，学习率α大小能决定要下降多少次才能逼近最小误差，所以实际开发中学习率太大，每次迭代下降（减去的数）就很快，太小下降就慢。好比人走路去商场，步子跨的小，走的步数多，步子跨的大，走的步数就少。如图，每次找梯度下降最快的方向下降，最终到最低点，也是误差最小点。

开头给的视频讲解用的是tensorflow实现，pytorch实现可见：
https://blog.csdn.net/weixin_39615182/article/details/112617773

总结

神经网络就是训练出一个模型，能将输入进入模型后输出一个和真实需要的输出十分接近的输出，只要输入一个x，输出的y’与真实想得到的y十分接近，这也叫函数拟合的十分成功，拟合就是模拟出与真实想要输出十分接近的预测输出，这样预测的输出就可以代替真实的输出。我们可以通过大量数据训练出模型，用于预测未知情况走势，如从前几年的房价变化预测未来房价变化。