最多迭代次数M二、随机选取第k个输入样本及对应的期望输出 重复以下步骤至误差达到要求：三、计算隐含层各神经元的输入和输出 四、计算误差函数e对输出层各神经元的偏导数,BP的思想就是：利用输出后的误差来估计输出层前一层的误差,我们现在开始有监督的BP神经网络学习算法：1、正向传播得到输出层误差e=》输入层输入样本=》各隐藏层=》输出层2、判断是否反向传播=》若输出层误差与期望不符=》反向传播3、误差反向传播=》误差在各层显示=》修正各层单元的权值,再用调整后的连接权值重新计算输出误差,不懂的可与上面详细公式对比理解而输出层的灵敏度计算方法不同,以及该层的输入值等参数计算六、利用第四步中的偏导数来修正输出层连接权值 七、利用第五步中的偏导数来修正隐藏层连接权值 八、计算全局误差（m个样本,五、计算误差函数对隐藏层各神经元的偏导数,根据输出层期望输出和实际输出以及输出层输入等参数计算。
计算机算法指的是什么
计算机算法详细描述了计算机如何将输入转换为所需的输出过程，或者该算法是对计算机上执行的计算过程的特定描述。
无论算法多么复杂，都必须在有限的一步之后结束并终止。也就是说，算法的步骤必须受到限制。在任何情况下，算法都不能在无限的循环中捕获。该算法必须由一系列特定步骤组成，并且计算机可以理解和执行每个步骤，不是抽象和模糊性的概念。
该算法必须是正确的，也就是说，对于任何一组输入，包括合理的输入和不合理的输入，您始终可以获取预期的输出。如果算法只能获得合理输入的预期输出，但是输出的结果不能是预测在异常条件下，这是不正确的。
扩展信息
特征
1.贫困算法应包含有限的操作步骤，而不是无限。合理的限制，人们不认为他是有效的算法。
2.确定。算法中的每个步骤应该可以确定，不是模棱两可的，模棱两可的。算法中的每个步骤不应被解释为不同的含义，而应非常清楚。换句话说，算法的含义应该是唯一的，不应该是独特的“歧义”。
3.有零或更多的输入。因此，所谓的输入是指在执行算法中获取必要信息的必要信息。
4.有一个或多个输出。该算法的目的是解决，而没有输出的算法毫无意义。
5.有效性。应有效地实现该算法中的每个步骤。并确定结果。
参考材料来源：百度百科全书算法
energetic是什么意思
EnergeticAdj。我充满活力，充满活力。充满活力；（措施等）积极，强大；锻炼;示例句子：1。Ru巴lca巴的精力充沛和狡猾的Mr是更明显的选择。卢巴ka是一个更清晰的选择。2。这是一种充满活力的交流，但有冒险的交换。这是一个积极的互动，但这是一次冒险举动。-算法
深入浅出BP神经网络算法的原理
深入浅出BP神经网络算法的原理
相信每位刚接触神经网络的时候都会先碰到BP算法的问题，如何形象快速地理解BP神经网络就是我们学习的高级乐趣了（画外音：乐趣？你在跟我谈乐趣？）
本篇博文就是要简单粗暴地帮助各位童鞋快速入门采取BP算法的神经网络。
BP神经网络是怎样的一种定义？看这句话：一种按“误差逆传播算法训练”的多层前馈网络。
BP的思想就是：利用输出后的误差来估计输出层前一层的误差，再用这层误差来估计更前一层误差，如此获取所有各层误差估计。这里的误差估计可以理解为某种偏导数，我们就是根据这种偏导数来调整各层的连接权值，再用调整后的连接权值重新计算输出误差。直到输出的误差达到符合的要求或者迭代次数溢出设定值。
说来说去，“误差”这个词说的很多嘛，说明这个算法是不是跟误差有很大的关系？
没错，BP的传播对象就是“误差”，传播目的就是得到所有层的估计误差。
它的学习规则是：使用最速下降法，通过反向传播（就是一层一层往前传）不断调整网络的权值和阈值，最后使全局误差系数最小。
它的学习本质就是：对各连接权值的动态调整。
拓扑结构如上图：输入层（input），隐藏层（hide layer），输出层（output）
BP网络的优势就是能学习和储存大量的输入输出的关系，而不用事先指出这种数学关系。那么它是如何学习的？
BP利用处处可导的激活函数来描述该层输入与该层输出的关系，常用S型函数δ来当作激活函数。
我们现在开始有监督的BP神经网络学习算法：
1、正向传播得到输出层误差e
=》输入层输入样本=》各隐藏层=》输出层
2、判断是否反向传播
=》若输出层误差与期望不符=》反向传播
3、误差反向传播
=》误差在各层显示=》修正各层单元的权值，直到误差减少到可接受程度。
算法阐述起来比较简单，接下来通过数学公式来认识BP的真实面目。
假设我们的网络结构是一个含有N个神经元的输入层，含有P个神经元的隐层，含有Q个神经元的输出层。
这些变量分别如下：
认识好以上变量后，开始计算：
一、用（-1，1）内的随机数初始化误差函数，并设定精度ε，最多迭代次数M
二、随机选取第k个输入样本及对应的期望输出
重复以下步骤至误差达到要求：
三、计算隐含层各神经元的输入和输出
四、计算误差函数e对输出层各神经元的偏导数，根据输出层期望输出和实际输出以及输出层输入等参数计算。
五、计算误差函数对隐藏层各神经元的偏导数，根据后一层（这里即输出层）的灵敏度（稍后介绍灵敏度）δo（k），后一层连接权值w，以及该层的输入值等参数计算
六、利用第四步中的偏导数来修正输出层连接权值
七、利用第五步中的偏导数来修正隐藏层连接权值
八、计算全局误差（m个样本，q个类别）
比较具体的计算方法介绍好了，接下来用比较简洁的数学公式来大致地概括这个过程，相信看完上述的详细步骤都会有些了解和领悟。
假设我们的神经网络是这样的，此时有两个隐藏层。
我们先来理解灵敏度是什么？
看下面一个公式：
这个公式是误差对b的一个偏导数，这个b是怎么？它是一个基，灵敏度δ就是误差对基的变化率，也就是导数。
因为?u/?b=1，所以?E/?b=?E/?u=δ，也就是说bias基的灵敏度?E/?b=δ等于误差E对一个节点全部输入u的导数?E/?u。
也可以认为这里的灵敏度等于误差E对该层输入的导数，注意了，这里的输入是上图U级别的输入，即已经完成层与层权值计算后的输入。
每一个隐藏层第l层的灵敏度为：
这里的“?”表示每个元素相乘，不懂的可与上面详细公式对比理解
而输出层的灵敏度计算方法不同，为：
而最后的修正权值为灵敏度乘以该层的输入值，注意了，这里的输入可是未曾乘以权值的输入，即上图的Xi级别。
对于每一个权值（W）ij都有一个特定的学习率ηIj，由算法学习完成。
-是什么
