老饼讲解-BP神经网络
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
相信很多人都读过不少文献了，
很容易被各种神经网络名称弄得头晕转向
本文给大家辨识清楚各种神经网络的关系
神经网络简介
什么是神经网络
凡是模仿人的神经网络构建出来的数学模型，
都叫神经网络,或者人工神经网络，
神经网络是人工智能的一个主力算法
神经网络的分类
神经网络可以归为三块：
👉 BP神经网络
👉 深度学习
👉 其它神经网络
一般神经网络
✍️ 一句话概括
除BP神经网络，深度学习外的人工神经网络
介绍
出现得最早，起源于1940+年
该类神经网络非常多
今天你根据生物神经网络构建一个模型
明天我根据生物神经网络构建一个
可以说是百舸争流
经典代表：感知机、Hopfield神经网络、径向基神经网络....等等
BP神经网络
✍️ 一句话概括
人工神经网络中的顶级代表
往往说《神经网络》就是指《BP神经网络》
介绍
● 提出
大家研究着各种神经网络，研究得不亦乐乎，
突然，1986年，
来了两个家伙Romelhart 和Mcclelland，
提出了一个特殊的结构，并命名： BP神经网络
● 发展
BP神经网络提出后，瞬间崛起后当了主力军。
以致于几乎成为了《神经网络》的代名词，
为什么拎出来特别划为一类？
因为它实在太出名了，
在不特指时，往往说神经网络都是指BP神经网络
● 结构
BP神经网络的结构以下
大家印象中的神经网络是不是都是这种结构？
但它其实只是BP神经网络的特有的结构，
神经网络有千万种结构，只是BP神经网络太普及了，
现在大家几乎把"BP神经网络结构"与"神经网络结构"划上了等号，
实际BP神经网络结构仅是神经网络结构的一种
深度学习
✍️ 一句话概括
深度学习可以看作是BP神经网络的一种加强版，解决输入极极极极多的问题
介绍
● BP在解决多输入时受挫
BP神经网络虽然很牛X，
但当要处理图象，音频，文字等问题时，却SB了，
因为这类问题的输入极多，
BP神经网络的参数会随着输入个数指数增长
例如一个50*50像素的图象，就有2500个输入
假设有100个隐节点，则2500个输入在第一层的权重参数就有2500*100个 ，
参数个数量级太爆炸，导致BP在求解时，很难找到优秀解，就挂B了
● 根据业务特性去冗解决问题
这本来是个没办法的事，
但偏偏图象，音频这些问题，
它的输入存在很严重的相关性
（例如相邻像素的值总是相近的）
因此，
可以根据这个业务特性，进行输入个数压缩，
或者在求解时根据这个业务特性进行特殊讨巧
（例如相邻输入对应的权重参数共享）
使BP神经网络又可以解决这类问题了
● 颁发新名
问题解决了，
BP还是BP，
但毕竟，有少许变种了！
不管怎么样，解决了新问题了，
得显示牛B，挂个名： 深度学习！
就这样，2006年，开启了全民深度学习年代！
不懂点深度学习都不好意思说自己做人工智能。
● 再掀高潮
2016年，alpha go的出现，
深度学习秀足了风头，
开启了全民超级深度学习模式~！
总结
总的来说，深度学习底层还是BP，
你可以把深度学习当成 《专用于解决输入极极多，且输入变量之间有极强相关性的问题》的BP神经网络
最后，简单总结各种神经网络的作为本文的结束
神经网络类型总结
1 神 经 网 络 ：凡是模仿人的神经网络构建出来的数学模型，都叫神经网络
2 BP 神经网络 ：神经网络最经典的代表就是BP神经网络，能解决很多问题。
3 深 度 学 习 ：深度学习可以看作《加强版BP神经网络》，专用于解决输入极极多，且输入变量之间有极强相关性的问题。
4 其它神经网络 ：除了BP神经网络外，还有很多杂七杂八的神经网络，经典的有感知机、Hopfield神经网络、径向基神经网络等等。
End
