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

本文介绍BP神经网络的通用结构和常用结构，

通过本文，更具体地了解，BP神经网络的拓扑结构

  01. BP神经网络结构  

本节先介绍BP神经网络的通用结构

    BP的通用网络结构    

BP神经网络的通用结构如下
    
它包含了输入层、隐层和输出层，
隐层和输出层的神经元都有自己的阈值和激活函数
它属于前馈型神经网络，即神经元是层层连接、逐层传递，

以上仅是一个通用的结构形式，
在使用时，我们需要设定具体的参数，让它有具体的结构
 需要确定的参数有以下：
 👉 隐层个数                         
 👉 每个隐层的隐神经元个数 
 👉 每层神经元的激活函数    

    神经元的工作原理   

除了输入层之外，其它层的神经元都有自己的阈值和激活函数，
 每个神经元的工作原理如下
 
它将接收到的输入值加权后并加上阈值，
经过自身激活函数进行转换，然后输出给下一个神经元

   02. BP神经网络常用结构   

下面介绍实践中一般使用的BP神经网络结构

     BP神经网络常用结构与配置     

虽然通用结构里允许有多个隐层，并且可以设置不同的激活函数，
 但实际上，最常用的是设一个隐层      
隐层神经元的激活函数设为tansig函数 
输出层的激活函数设为purelin          

 如此一来，结构就如下图所示：
    
 
其中 
tansig函数为S型函数：     
purelin 为恒等线性映射函数：             
上图为3个隐神经元，在实际中,隐神经元个数由具体问题具体设定

✍️说明
1、输出层设为purelin,也即相当于输出层没有激活函数.
2、 隐层激活函数也可以设为logsig                             
 logsig的表达式为 ，它和tansig没有太多质的区别 ， 
区别只在于，logsig的取值范围是【0，1】，而tansig是【-1，1】    

     为什么实践中采用三层结构     

为什么实践中一般采用上述结构呢？
 主要是因为这样的结构简单又有效
简单是因为它只有一个隐层，比起多隐层网络，无疑是要简洁许多               
有效是因为隐层激活函数采用了S型函数，这样网络就有了拟合非线性的能力
而输出层采用purelin，又可以让它的输出不受限制                                      

如此一来，这种结构就“麻雀虽小，却五脏俱全”，简单又有效
后来有人证明，这种结构只要隐神经元足够，就能逼近任何函数，
因此一来，基本就都使用这种结构了

 End