多層感官監督學習可以理解為BP神經網路嗎？

多層感知器不是乙個特定的神經網路，它是乙個神經網路模型。

BP神經網路的模型確實是乙個多層感知器，但BP神經網路使用BP演算法對網路進行優化，可以理解為。

BP 神經網路 = 多層感知器 + BP 演算法。

神經網路學習主要是指利用學習演算法來調整神經元之間的連線許可權，使網路輸出更加逼真。 學習演算法分為兩類：監督學習和無監督學習

1.監督學習演算法將一組訓練集饋入網路，並根據網路實際輸出與預期輸出的差異調整連線許可權。 監督學習演算法的主要步驟包括：

a） 從樣本集中取樣本（AI、BI）;

b） 計算網路的實際輸出;

c） 求 d = bi o;

d） 根據 d 調整權重矩陣;

e） 對每個樣品重複上述過程，直到誤差不超過整個樣品組的指定範圍。

BP演算法是一種優秀的監督學習演算法。

2.無監督學習提取樣本集中包含的統計特徵，並以神經元之間的連線許可權的形式儲存在網路中。 HEBB學習率是一種典型的無監督學習演算法。

多層感知器MLP的BP演算法是監督學習。

MLP學習中的BP演算法由兩個學習過程組成：訊號的前向傳播和誤差的反向傳播。 在正向傳播中，輸入樣本從輸入層傳輸，經過每個隱藏層的逐層處理後，傳輸到輸出層。 如果輸出圖層實際輸出與預期輸出（教師訊號）不匹配。，然後移動到錯誤的反向傳播階段。

誤差反向傳播是通過隱藏層以某種形式將輸出誤差逐層反轉到輸入層，並將誤差分布到每層的所有元素，從而得到每個層單元的誤差訊號，並以此誤差訊號作為校正每個元素權重的依據。 反覆進行訊號正向傳播和誤差反向傳播各層權重的調整過程。 不斷調整權重的過程，即網路的學習和訓練過程。

此過程一直持續到網路輸出中的誤差降低到可接受的水平，或者直到達到預設的學習次數。

BP演算法簡介。