反向传播(BP) - 蝈蝈俊
原文中文，约2900字，阅读约需7分钟。发表于：。1974年，哈佛大学沃伯斯(Paul Werbos)博士论文里，首次提出了通过误差的反向传播(Back Propagation)来训练人工神经网络。 BP算法的基本思想不是（如感知器那样）用误差本身去调整权重，而是用误差的导数（梯度）调整。 通过误差的梯度做反向传播，更新模型权重，以下降学习的误差，
1974年，哈佛大学沃伯斯博士提出了误差反向传播算法，通过误差的梯度做反向传播，更新模型权重，实现网络的万能近似功能。梯度下降法是用来计算函数最小值的。选择合适的学习率是训练神经网络模型的重要步骤之一。反向传播算法的出现，大大提高了模型训练的效率与精度，使复杂神经网络模型的训练成为可能。
