简单概念
基本模型：
输入乘以权重之后累加，大于一定的阈值（f为阈值函数）才会有输出，阈值函数有多种选择。
单层神经网络（单层感知机）
WT是权重矩阵。
整个过程大致是收集标注样本、训练神经网络、测试神经网络。
Hebb学习规则只根据神经元连接间的激活水平改变权值，因此这种方法又称为相关学习或并联学习。
在ANN中Hebb算法最简单可以描述为:如果一个处理单元从另一处理单元接收输入激励信号，而且如果两者都处于高激励电平，那么处理单元之间的加权就应当增强。
公式中E是目标值和输出值的差，求对权重偏导。
如果一个神经元出现会激发附近的另一个神经元，那么这两个神经元间的联系就会强化，从而记住这两个事物之间存在着联系。相反，如果两个神经元总是不能同步激发，那么它们间的联系将会越来越弱。
下面是截取其他博主的解释：
不过这里感觉应该是yj-yi
单层神经网络训练得到的精度会比较差。
多层神经网络（多层感知机）
反向传播的例子及通俗理解: 第四章反向传播法
深度学习
以前由于计算机性能等的影响没有深度学习
卷积神经网络
深度学习网络
循环神经网络
学习工具：
本文含有隐藏内容，请 开通VIP 后查看