本站原创文章，转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com
本文展示概率神经网络是怎么构建的，以及具体是怎么使用的
进一步更具体的掌握概率神经网络的应用
基本与广义神经网络一致，只是最后做一层compet.
本节展示构建时的流程，和实际使用时的计算流程
构建流程
构建需要的输入
构建广义回归神经网络需要的输入如下
👉X ：训练样本的输入数据
👉y ：训练样本的输出数据
👉spread ：径向基的扩展参数
构建流程
构建广义回归神经网络几乎不需要计算，
只需把训练数据对应保存为以下变量即可：
W21(输入层-->隐层权重)：用 X 作为 W21即可
B2(隐层阈值)：用spread生成,
W32(隐层-->输出层层权重)：用y作为w32即可
✍️备注
该流程与广义回归神经网络的构建一模型一样
使用阶段
计算网络输出的公式参考如下Demo：
👉本公式仅作为参考，并非真实计算公式
1.计算各个隐节点的输出
即计算各个exp的值
先计算它到W21各列(也即X中的各个训练样本)的距离，再将距离乘以B2(即a)，
再经激活函数转换(即套上径向基函数），这样就得到隐节点的输出
2.计算输出
W32(即训练数据的y)乘以隐节点(即y乘以权重），
compet后就是最终的输出
✍️ PASS : 从概率角度理解广义回归
我们也可以从概率的角度去理解整个计算过程
1. 计算新输入到各个训练样本的距离
2. 根据距离，计算新输入属于各个训练样本的概率
3. 根据概率和各个样本的输出，求新输入对应的期望输出
4. 最后通过compet,把概率转换成one-hot形式即可
编后语
使用阶段的计算流程没有用十分严谨的数学公式描述
这是因为使用数学公式会使得整个理解非常晦涩
如果有细节不明，直接参考代码即可
End