BP算法浅谈（Error Back-propagation）

       最近在打基础，大致都和向量有关，从比较基础的人工智能常用算法开始，以下是对BP算法研究的一个小节。

      本文只是自我思路的整理，其中举了个例子，已经对一些难懂的地方做了解释，有兴趣恰好学到人工智能对这块不能深入理解的，可以参考本文。

      因为大部分涉及公式，我就直接贴图了，请谅解，如果需要全文可以联系@梁斌penny 谢谢。

通过带*的权重值重新计算误差，发现误差为0.18，比老误差0.19小，则继续迭代，得神经元的计算结果更加逼近目标值0.5

 

感想

 在一个复杂样本空间下，对输入和输出进行拟合

（1）      多少个hidden unit才能符合需要（hidden unit就是图中的P，Q）

（2）      多少层unit才能符合需要（本例为1层）

（3）      如果有n层，每层m个unit，k个输入，1个输出，那么就有K*m^(n+1)条边，每条边有一个权重值，这个计算量非常巨大

（4）      如果k个输入，1个输出，相当于将k维空间，投射到一个1维空间，是否可以提供足够的准确性，如果是k个输入，j个输出，j比k大，是否是一个升维的过程，是否有价值？