第三章:人工智能深度学习教程-基础神经网络(第五节-了解多层前馈网络)

让我们了解反向传播网络 (BPN) 中的误差是如何计算的以及权重是如何更新的。

考虑下图中的以下网络。

反向传播网络（BPN）

上图中的网络是一个简单的多层前馈网络或反向传播网络。它包含三层，输入层有两个神经元 x 1和 x 2，隐藏层有两个神经元 z 1和 z 2，输出层有一个神经元 y in 。 

现在让我们写下每个神经元的权重和偏差向量。 

注：权重是随机取的。

输入层： i/p – [x 1 x 2 ] = [0 1]

这里，由于它是输入层，因此仅存在输入值。

隐藏层： z 1 – [v 11 v 21 v 01 ] = [0.6 -0.1 03]

这里v 11指的是第一输入x 1在z 1上的权重，v 21指的是第二输入x 2在z 1上的权重，v 01指的是z 1上的偏差值。

z 2 – [v 12 v 22 v 02 ] = [-0.3 0.4 0.5]

这里v 12指的是第一输入x 1在z 2上的权重，v 22指的是第二输入x 2在z 2上的权重，v 02指的是z 2上的偏差值。

输出层： y in – [w 11 w 21 w 01 ] = [0.4 0.1 -0.2]

这里w 11指的是隐藏层中的第一神经元z 1在y in上的权重，w 21指的是隐藏层中的第二神经元z 2在y in上的权重，w 01指的是y in上的偏差值。让我们考虑三个变量，k 指的是输出层中的神经元，'j' 指的是隐藏层中的神经元，'i' 指的是输入层中的神经元。

所以， 

k = 1

j = 1, 2（表示隐藏层中的第一个神经元和第二个神经元）

i = 1, 2（表示输入层中的第一个和第二个神经元）

以下是 BPN 中需要遵循的一些条件。

条件/限制：