反向传播算法是人工神经网络训练时采用的一种通用方法，在现代深度学习中得到了大规模的应用。
全连接神经网络(多层感知器模型，MLP)，卷积神经网络(CNN)，循环神经网络(RNN)中都有它的实现版本。
算法从多元复合函数求导的链式法则导出，递推的计算神经网络每一层参数的梯度值。
算法名称中的“误差”是指损失函数对神经网络每一层临时输出值的梯度。
反向传播算法从神经网络的输出层开始，利用递推公式根据后一层的误差计算本层的误差，通过误差计算本层参数的梯度值，然后将差项传播到前一层

文章列表零基础入门深度学习(1)-感知器零基础入门深度学习(2)-线性单元和梯度下降零基础入门深度学习(3)-神经网络和反向传播算法零基础入门深度学习(4)-卷积神经网络零基础入门深度学习(5)-循环神经网络零基础入门深度学习(6)-长短时记忆网络(LSTM)零基础入门深度学习(7)-递归神经网络

BP算法，误差反向传播（ErrorBackPropagation,BP）算法。
BP算法的基本思想是，学习过程由信号的正向传播与误差的反向传播两个过程组成。
由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。
利用python代码实现BP神经网络。

├─1.计算机视觉简介、环境准备(python,ipython)│computervsion.pdf│CS231introduction.pdf│├─2.图像分类问题简介、kNN分类器、线性分类器、模型选择│2.图像分类简介、kNN与线性分类器、模型选择.mp4│2.初识图像分类.pdf│├─3.再谈线性分类器│3.再谈线性分类器.mp4│再谈线性分类器.pdf│├─4.反向传播算法和神经网络简介│.反向传播算法和神经网络简介.pdf│4.反向传播算法和神经网络简介.mp4│├─5.神经网络训练1│5.-神经网络训练1.pdf│5.神经网络训练1.mp4│├─6.神经网络训练2、卷积神经网络简介│6.神经网络训练2.mp4│神经网络训练2.pdf│├─7.卷积神经网络│7.卷积神经网络.mp4│Lession7.pdf│├─8.图像OCR技术的回顾、进展及应用前景│8.图像OCR技术的回顾、进展及应用前景.mp4│PhotoOCR_xbai.pdf│└─9.物体定位检测物体定位检测.pdf│├─10.卷积神经网络可视化│.卷积神经网络可视化.pdf│10.卷积神经网络可视化.mp4│├─11.循环神经网络及其应用│11.循环神经网络及其应用.mp4│循环神经网络.pdf│├─12.卷积神经网络实战│12.卷积神经网络训练实战.mp4│卷积神经网络实战.pdf│├─13.常见深度学习框架介绍│常见深度学习框架介绍.pdf│├─14.图像切割│14.图像切割.mp4

BP算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。
由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为BP网络。

程序利用pythonnumpy和matplotlib库实现了简单的梯度下降算法并对其进行可视化。
程序通过简单的可视化过程解释了梯度下降的原理，供大家学习参考。
注：并不是反向传播的实现，而是对梯度下降原理的解释，请根据需要自行参考。

里面有附加动量法反向传播网络训练程序，自适应学习及弹性ｂｐ算法等，适用于神经网络控制入门．

概率神经网络（ProbabilisticNeuralNetwork）的网络结构类似于RBF神经网络，但不同的是，PNN是一个前向传播的网络，不需要反向传播优化参数。
这是因为PNN结合了贝叶斯决策，来判断测试样本的类别。

神经网络发展历史。
BP神经网路，Hotfield神经网络，反向传播算法等

003_wz_wed_DL_课程一第二周编程题反向传播与代价函数.pdf

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。