本站原创文章，转载请说明来自《老饼讲解-BP神经网络》bp.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

   01. 神经网络简介   

   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       

 02. 三类神经网络的详细介绍  

    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

     03. 总结     

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