一文讲清神经网络、BP神经网络、深度学习的关系
原创文章，转载请说明来自《老饼讲解神经网络》:bp.bbbdata.com
关于《老饼讲解神经网络》：
本网结构化讲解神经网络的知识，原理和代码。
重现matlab神经网络工具箱的算法，是学习神经网络的好助手。
凡是模仿人的神经网络构建出来的数学模型，都叫神经网络。
神经网络是人工智能的一个主力算法。
神经网络可以归为三块：
(1) BP神经网络
(2) 深度学习。
(3) 其它神经网络
一. 一般神经网络：
一句话概括： 除BP神经网络，深度学习外的人工神经网络。
介绍：
出现得最早，起源于1940+年，该类神经网络非常多，
今天你根据生物神经网络构建一个模型，明天我根据生物神经网络构建一个，可以说是百舸争流。
经典代表：感知机、Hopfield神经网络、径向基神经网络....等等。
二.BP神经网络
一句话概括：人工神经网络中的顶级代表。往往说《神经网络》就是指《BP神经网络》。
介绍：
大家研究着各种神经网络，研究得不亦乐乎，
突然，
1986年，
来了两个家伙Romelhart 和Mcclelland，
提出了一个特殊的结构，并命名：BP神经网络，
BP神经网络提出后，瞬间崛起后当了主力军。
以致于几乎成为了《神经网络》的代名词，
为什么拎出来特别划为一类？
因为它实在太出名了，在不特指时，往往说神经网络都是指BP神经网络（这一种结构的神经网络）。
它的结构以下：
大家印象中的神经网络是不是都是这种结构？
但其实它只是BP神经网络的特有的结构，
神经网络有千万种结构，只是BP神经网络太普及了，现在大家几乎把BP神经网络结构=神经网络结构，
实际BP神经网络结构仅是神经网络结构的一种。
三. 深度学习
一句话概括：深度学习可以看作是BP神经网络的一种加强版。解决输入极极多的问题。
介绍：
（1）BP在解决多输入时受挫
BP神经网络虽然很牛X，但当要处理图象，音频，文字等问题时，却SB了，
因为这类问题的输入极多（例如一个50*50像素的图象，就有2500个输入 ），
而BP神经网络的参数会随着输入个数指数增长（假设有100个隐节点，则2500个输入在第一层的权重参数就有2500*100个），
参数个数量级太爆炸，导致BP在求解时，很难找到优秀解，就挂B了。
（2）根据业务特性去冗解决问题
这本来是个没办法的事，但偏偏图象，音频这些问题，它的输入存在很严重的相关性（例如相邻像素的值总是相近的），
因此，可以根据这个业务特性，进行输入个数压缩，或者在求解时根据这个业务特性进行特殊讨巧（例如相邻输入对应的权重参数共享），
使BP神经网络又可以解决这类问题了。
（3）颁发新名
问题解决了，BP还是BP，但毕竟，有少许变种了！
不管怎么样，解决了新问题了，得显示牛B，挂个名： 深度学习！
就这样，2006年，开启了全民深度学习年代！不懂点深度学习都不好意思说自己做人工智能。
（4）再掀高潮： 2016年，alpha go的出现，深度学习秀足了风头，开启了全民超级深度学习模式~！
（5）总 结：总的来说，深度学习底层还是BP，你可以把深度学习当成 《专用于解决输入极极多，且输入变量之间有极强相关性的问题》的BP神经网络。
四、总结
（1）神经网络：凡是模仿人的神经网络构建出来的数学模型，都叫神经网络
（2）BP神经网络：神经网络最经典的代表就是BP神经网络，能解决很多问题。
（3）深度学习：深度学习可以看作《加强版BP神经网络》，专用于解决输入极极多，且输入变量之间有极强相关性的问题。
（4）其它神经网络：除了BP神经网络外，还有很多杂七杂八的神经网络，经典的有感知机、Hopfield神经网络、径向基神经网络等等。
相关文章