BPNetwork

人工神经网络是实现人工智能的关键技术。反向传播是一种通过最小化预测误差来优化神经网络参数的算法，其核心思想是利用梯度下降法调整网络权重，以提高预测准确性。本文讨论了反向传播人工神经网络的原理，阐述了该模型的前向传播与反向传播以及参数更新的过程，并用MNIST数字手写体数据集进行模型验证。该模型识别准确率在测试集中达到97.64\%。

目录

• 模型结构参数
• 训练结果
• 配置要求
• 版本控制
• 贡献者
• 版权说明

模型结构参数

输入层神经元维度为784；隐含层维度128；输出层维度为10；学习率为0.01。

训练结果

如下图所示，模型交叉熵损失在10的-10次方的数量级，识别准确率达到98.03\%。原理推导详见此处。

配置要求

1. numpy~=1.24.4
2. pandas~=2.0.3
3. matplotlib~=3.7.5

版本控制

该项目使用Git进行版本管理。您可以在repository参看当前可用版本。

贡献者

Lorenzo Feng
:mailbox: lorenzo.feng@njust.edu.cn

:airplane: Telegram: Click Me

您也可以在贡献者名单中参看所有参与该项目的开发者。

版权说明

该项目签署了MIT 授权许可，详情请参阅 LICENSE