深度学习入门看这一篇就够了（下）

BP算法例子

BP算法例子-FP过程

BP算法例子-BP过程(W7)

BP算法例子-BP过程(W1)

BP算法例子-FP多次迭代效果

径向基（RBF）神经网络

nRBF网络能够逼近任意非线性的函数。
n可以处理系统内难以解析的规律性，具有很好的泛化能力，并且具有较快的学习速度。
n有很快的学习收敛速度，已成功应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等。
n当网络的一个或多个可调参数（权值或阈值）对任何一个输出都有影响时，这样的网络称为全局逼近网络。由于对于每次输入，网络上的每一个权值都要调整，从而导致全局逼近网络的学习速度很慢，比如BP网络。
n如果对于输入空间的某个局部区域只有少数几个连接权值影响输出，则该网络称为局部逼近网络，比如RBF网络。
RBF网络的原理

神经网络之DNN问题

一般来讲，可以通过增加神经元和网络层次来提升神经网络的学习能力，使其得到的模型更加能够符合数据的分布场景；但是实际应用场景中，神经网络的层次一般情况不会太大，因为太深的层次有可能产生一些求解的问题在DNN的求解中有可能存在两个问题：梯度消失和梯度爆炸；我们在求解梯度的时候会使用到链式求导法则，实际上就是一系列的连乘，如果每一层都小于1的话，则梯度越往前乘越小，导致梯度消失，而如果连乘的数字在每层都是大于1的，则梯度越往前乘越大，导致梯度爆炸.

神经网络案例

BP神经网络实现公路客运量即公路货运量预测案例；代码详见： https://blog.csdn.net/leva345/article/details/119443003
Python实战RBF神经网络；代码详见：https://blog.csdn.net/leva345/article/details/119443872