本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
BP神经网络是一种前馈形结构的神经网络，并以后馈形式来传播误差
本文介绍BP神经网络的通用结构和常用的三层结构，以及神经元之间的传递关系
通过本文，可以清晰地了解BP神经网络的拓扑结构，以及神经元与神经元之间的计算方法
本节介绍BP神经网络的通用结构，以及它的工作原理
BP神经网络的通用结构
BP的通用结构拓扑图如下：
在通用结构中，包含了输入层、隐层和输出层，
隐层和输出层的神经元都有自己的阈值和激活函数
它属于前馈型神经网络，即神经元是层层连接、逐层向前传递，
以上仅是一个BP神经网络通用的结构形式，
在使用时，我们需要设定具体的参数，让其具有具体的结构
对一个BP神经网络来说，需要确定的参数有以下：
👉 隐层个数
👉 每个隐层的隐神经元个数
👉 每层神经元的激活函数
神经元的工作原理
神经元是BP神经网络的重要组成部分
除了输入层之外，其它层的神经元都有自己的阈值和激活函数，
每个神经元的工作原理如下：
如图，它将接收到的输入值加权后并加上阈值，就是神经元的值N
然后将神经元的值N经过自身激活函数T进行转换，就是神经元的输出值
每层神经元的输出值，都会传输给下一层，作为下层神经元的输入值
下面介绍实践中一般使用的BP神经网络结构
BP神经网络常用结构与配置
虽然BP的通用结构里允许有多个隐层，并且可以设置不同的激活函数，
但实际上，最常用的是设一个隐层，即一共三层：1个输入层、1个隐层、1个输出层
其中，隐层神经元的激活函数设为tansig函数，输出层的激活函数设为purelin
如此一来，BP神经网络的结构就如下图所示：
其中
tansig函数为S型函数：
purelin 为恒等线性映射函数：
上图为3个隐神经元，在实际中,隐神经元个数由具体问题具体设定
✍️说明
1、输出层设为purelin,也即相当于输出层没有激活函数
2、 隐层激活函数也可以设为logsig
logsig的表达式为 ，它和tansig没有太多质的区别
区别只在于，logsig的取值范围是【0，1】，而tansig是【-1，1】
为什么BP神经网络实践中采用三层结构
为什么在实践中一般采用上述的结构呢？主要是因为这样的结构简单又有效
简单是因为它只有一个隐层，比起多隐层BP神经网络，无疑是要简洁许多
有效是因为隐层激活函数采用了S型函数，这样网络就有了拟合非线性的能力
而输出层采用purelin，又可以让它的输出不受限制，所以它可以拟合任意非线性曲线
如此一来，三层结构就“麻雀虽小，却五脏俱全”，简单又有效
后来有人证明，这种结构只要隐神经元足够，就能逼近任何函数，如此一来，基本就都使用这种结构了
老饼语
事实上，BP神经网络有两个巨大的贡献，
首先是它的三层结构，在对一些传统小数据的拟合上简单、有效，曾经红极一时
而另一个是它的多层结构，BP神经网络所提出的多层结构开启了深度学习之门
在深度学习井喷之前，多层结构甚至可以说只是一种“毫无用处”的形式，
但在深度学习之后，三层结构所作的贡献，反而是渺小至极，
毕竟，三层结构仅是解决了一些具体的问题，而多层结构则是开启了一个时代，这是无法比拟的
但必须注意的是，尺有所短,寸有所长，杀鸡勿用牛刀，在解决小数据上不要随便套用多层神经网络
以上就是BP神经网络的模型结构的全部内容了~
End