神經網絡 神經網絡可以理解為一個輸入x到輸出y的映射函數，即f(x)=y，其中這個映射f就是我們所要訓練的網絡參數w，我們只要訓練出來了參數w，那么對於任何輸入x，我們就能得到一個與之對應的輸出y。只要f不同，那么同一個x就會產生不同的y，我們當然是想要獲得最符合真實數據的y，那么我們就要訓練 ...

　　　　在深度神經網絡（DNN）模型與前向傳播算法中，我們對DNN的模型和前向傳播算法做了總結，這里我們更進一步，對DNN的反向傳播算法（Back Propagation，BP）做一個總結。 1. DNN反向傳播算法要解決的問題 　　　　在了解DNN的反向傳播算法前，我們先要知道DNN反向傳播 ...

神經網絡最基本的知識可以參考神經網絡基本知識，基本的東西說的很好了，然后這里講一下神經網絡中的參數的求解方法。 注意前一次的各單元不需要與后一層的偏置節點連線，因為偏置節點不需要有輸入也不需要sigmoid函數得到激活值，或者認為激活值始終是1. 一些變量解釋： 標上“”的圓圈被稱為 ...

　　　　在前面我們講到了DNN，以及DNN的特例CNN的模型和前向反向傳播算法，這些算法都是前向反饋的，模型的輸出和模型本身沒有關聯關系。今天我們就討論另一類輸出和模型間有反饋的神經網絡：循環神經網絡(Recurrent Neural Networks ，以下簡稱RNN)，它廣泛的用於自然語言處理 ...

　　在神經網絡中，當我們的網絡層數越來越多時，網絡的參數也越來越多，如何對網絡進行訓練呢？我們需要一種強大的算法，無論網絡多復雜，都能夠有效的進行訓練。在眾多的訓練算法中，其中最傑出的代表就是BP算法，它是至今最成功的神經網絡學習算法。在實際任務中，大部分都是使用的BP算法來進行網絡訓練 ...

在講解誤差反向傳播算法之前，我們來回顧一下信號在神經網絡中的流動過程。請細細體會，當輸入向量\(X\)輸入感知器時，第一次初始化權重向量\(W\)是隨機組成的，也可以理解成我們任意設置了初始值，並和輸入做點積運算，然后模型通過權重更新公式來計算新的權重值，更新后的權重值又接着和輸入相互作用 ...

1 正向傳播 1.1 淺層神經網絡 為簡單起見，先給出如下所示的簡單神經網絡： 該網絡只有一個隱藏層，隱藏層里有四個單元，並且只輸入一個樣本，該樣本表示成一個三維向量，分別為為\(x_1\)，\(x_2\)和\(x_3\)。網絡的輸出為一個標量，用\(\hat{y}\)表示。考慮 ...

　　深度神經網絡（Deep Neural Networks，簡稱DNN）是深度學習的基礎。 　　回顧監督學習的一般性問題。假設我們有$m$個訓練樣本$\{(x_1, y_1), (x_2, y_2), …, (x_m, y_m)\}$，其中$x$為輸入向量，$y$為輸出向量，利用這個訓練樣本 ...