人工神經網絡是一種經典的機器學習模型，隨著深度學習的發展神經網絡模型日益完善.
聯想大家熟悉的回歸問題，神經網絡模型實際上是根據訓練樣本創造出一個多維輸入多維輸出的函數，并使用該函數進行預測，網絡的訓練過程即為調節該函數參數提高預測精度的過程.神經網絡要解決的問題與最小二乘法回歸解決的問題并無根本性區別.
感知機(Perceptron)是一個簡單的線性二分類器，它保存著輸入權重，根據輸入和內置的函數計算輸出.人工神經網絡中的單個神經元即是感知機.
在前饋神經網絡的預測過程中，數據流從輸入到輸出單向流動，不存在循環和返回的通道.
目前大多數神經網絡模型都屬于前饋神經網絡，在下文中我們將詳細討論前饋過程.
多層感知機(MultiLayerPerceptron，MLP)是由多個感知機層全連接組成的前饋神經網絡，這種模型在非線性問題中表現出色.
所謂全連接是指層A上任一神經元與臨近層B上的任意神經元之間都存在連接.
反向傳播(BackPropagation，BP)是誤差反向傳播的簡稱，這是一種用來訓練人工神經網絡的常見算法，通常與最優化方法(如梯度下降法)結合使用.
神經網絡模型在結構上屬于MLP，因為采用BP算法進行訓練，人們也稱其為BP神經網絡.
以上內容為大家介紹了Python增強，希望對大家有所幫助，如果想要了解更多Python相關知識，請關注IT培訓機構:千鋒教育。
京公網安備 11010802030320號