反向传播和前馈神经网络之间的区别是什么?

• A. Feed-Forward Neural Network 是一种神经网络 建筑学 其中连接是“前馈”的,即不形成循环(如在循环网络中)。

• 术语“前馈”也用于在输入层输入内容 旅行 从输入到隐藏以及从隐藏到输出层。
  这些值被“前馈” .

“前馈”一词的这两种用法都与培训本身无关。

• 反向传播是一种 训练算法 包括2个步骤:1) 前馈 值2)计算误差 将其传播回去 到较早的层。所以准确地说,正向传播是反向传播的一部分 算法 但在反向传播之前出现。

没有纯反向传播或纯前馈神经网络。

反向传播是训练(调整权重)神经网络的算法。 反向传播的输入是output_vector、target_output_vector, 输出为adjusted_weight_vector。

前馈是从输入向量计算输出向量的算法。 前馈输入为Input_vector, 输出是output_vector。

当你训练神经网络时,你需要同时使用这两种算法。

当你使用神经网络(经过训练)时,你只使用前馈。

神经网络的基本类型是多层感知器,即前馈-反向传播神经网络。

还有更先进的神经网络,使用改进的算法。

另外,研究的好来源: ftp://ftp.sas.com/pub/neural/FAQ.html 最好理解的原理是编程(本视频中的教程) https://www.youtube.com/watch?v=KkwX7FkLfug

简单地说:

前馈是一种架构。相反的是递归神经网络。

反向传播(BP)是一种求解方法。BP可以解决前馈神经网络和递归神经网络。

神经网络可以有不同的架构。神经元之间的联系决定了信息的流动方向。根据网络连接,它们被分类为前馈和递归(反向传播)。

前馈神经网络

在这些类型的神经网络中,信息仅在一个方向上流动,即从输入层到输出层。一旦决定了权重,通常不会改变。可以显式地决定权重,也可以使用径向基函数等函数来决定权重。这里的节点在不知道生成的结果是否准确的情况下完成其工作(即,它们不会根据生成的结果重新调整)。前方各层之间没有通信。

递归神经网络(反向传播)

信息从输入层传递到输出层以产生结果。然后将结果中的错误立即传送回先前的层。节点可以知道他们在错误答案中贡献了多少。重新调整重量。改进了神经网络。它会学习。信息是双向流动的。这基本上实现了前馈和反向传播两种算法。