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
从仿生角度理解BP神经网络往往是抽象的、不可捉摸的，难以理解它的
故本文从曲线拟合角度去理解BP神经网络的原理，并解读BP神经网络隐节点、参数的实际意义
通过本文，可以更本质地了解三层BP神经网络的意义，以及训练的目的是什么，使BP神经网络更加具体、形象
本节从曲线拟合的角度理解BP神经网络的本质
BP神经网络的模型本质
BP神经网络的模型的意义
以常用的三层BP神经网络为例，它的数学表达式有如下形式
从表达式可以看到，网络的输出y其实就是由多个tansig线性组合而成
也就是说，我们使用BP神经网络的本质就是，
已知数据点，求n个tansig函数，使其叠加后能拟合任意数据点
如图所示，使用三个tansig函数，则可叠加出了一个周期的sin函数曲线
本节讲解BP神经网络隐节点的意义与训练的意义
BP神经网络-隐节点的意义
由上述可知，三层BP神经网络的每个隐节点都代表着一个tansig
因此，我们设置多少个隐节点，就意味着我们打算用多少个tansig来逼近目标函数
BP神经网络-参数与训练的本质
每个tansig的表达式如下：
从表达式可知，各个参数的意义如下：
👉1. 内层的W控制了tansig曲线的宽
👉2. 外层的W控制了tansig曲线的高
👉3. b则控制了tansig的位置
而训练的过程，就是调整各个tansig曲线(曲面/超曲面)的高矮肥瘦和位置
通过训练，使得所有tansig叠加后越来越逼近y，从而最终得到能拟合y的模型曲线
好了，以上就是三层BP神经网络的本质以及训练的意义了~
End
