1.基本概念

BP（Back Propagation）神经网络由Rumelhart和McCelland为首的科学家小组于1986年提出，是一种按误差逆传播算法训练的多层前馈网络，也是目前应用极为广泛的神经网络模型之一。它能够学习和存储大量输入-输出模式映射关系，无需事先明确描述这种映射关系的数学方程。

生活中，我们能通过观察大量图片，一眼认出猫和狗，但很难用精确的数学公示告诉别人如何区分。BP神经网络也有类似的能力，它不需要我们提前给出输入数据和输出结果之间的数学关系，只要给它足够多的“例子”（输入-输出模式），它就能通过学习，记住这些数据之间的联系，从而在遇到新数据时，快速给出准确的判断或预测。

2.工作原理

其学习规则采用最速下降法，通过反向传播不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络的模型拓扑结构包含输入层、隐层和输出层。

输入层

负责接收外部数据，这些数据通常不做复杂处理或仅进行简单的分类处理。好比神经网络的“眼睛和耳朵”，负责手机外部信息，比如图像的像素数据、文本的字词信息等，这些信息在这里只做简单整理，不做深度处理。

隐层

位于输入层和输出层之间，网络的深度即由隐层的数量决定。是神经网络的“大脑中枢”，它的层数决定了神经网络的“思考深度”。数据在隐层中经过层层分析、加工，逐步提取出关键特征。就像我们看一幅画，隐层会先识别线条、颜色，再组合形状，最后判断出画的是猫还是狗。

输出层

输出神经网络最终处理结果，它接收隐层的处理结果，并通过特定函数转换为判断、分类、决策或评价分数等形式。接收隐层处理后的信息，通过特定的函数，将信息转化为我们需要的结果，比如对图像进行分类，给出风险评估分数，或是做出决策判断等。

在整个学习过程中，BP神经网络会把输出结果和正确答案对比，算出误差。然后，误差会从输出层反向传播回前面各层，就像老师批改作业后，把错误信息反馈给学生。网络根据误差大小，调整每层神经元之间连接的“权重”（可以理解为重要程度）和“阈值”（触发条件），不断减少误差，直到输出结果足够准确。