写在前面

虽说是写在前面，但是建议在看完文章后再看
多层感知机是一个网络，BP是一个算法，他不是一个网络，之所以我们能够随处可见“BP神经网络”这样的名词，其是对一种多层感知机的叫法，指的是使用了BP算法优化的多层感知机。

本文主要讲述四个部分：感知机 -> 多层感知机 -> BP算法 -> BP神经网络
本系列课程图片均为网络图片或者本人随意画的，无需计较一些细节

神经元

较于一些博客介绍这部分从生物学引申，所谓神经元，就是一个计算单元，或者说是一个计算标志，数据到达神经元，在此处进行数值计算,你也可以理解为此处内置一个激活函数。

感知机

什么是感知机？感知机能干什么？
感知机是一个能够进行二分类的线性模型。什么是二分类？例如人类，可分为男人、女人两类，那么如果我有一个人的一些信息，那么我讲这些信息输入到感知机，我能通过他的输出知道这个人是男人还是女人。即我们将一些事物分成一些类别，而我们关注其中的两个类别，这两个类别的并集是全部的事物，例如男人、女人，这两类是人类性别的全部，即人类不是男人就是女人。
感知机结构如下图所示，输入层进行数据输入，第一层红色框标出的就是神经元，可以简单地理解就是在此处进行计算，在此处进行计算，W指数据输入到神经元的权重,y表示输出,f表示激活函数，当然该函数并不是必须的，此处假设使用了激活函数。

上图神经元进行计算方式如下：

f指神经元的激活函数，里面的x1*w1+...这些你为输入到神经元的数据，实际上式中应该有偏置b，但由于图中未标出，故未写出，对于上式子中的乘法累加，你是否记得矩阵的乘法呢？前置知识 一元函数 导数 偏导 激活函数 矩阵运算，把W看作大小为1 * n的矩阵，把X看作大小为N * 1的矩阵，则W * X结果只有一个元素，该元素计算方式就与上图中计算式中的计算式一致，故我们可以写为如下格式：

当我们把偏置加上后，就可以得到如下式子：

我们计算出了输出y。
为了更直观的展示计算，我们假设输入矩阵X具有三个元素，分别为1、2、3，W对应的为3、2、1，B对应都为0，神经元激活函数为sigmoid函数，则直接计算式为:

难道这就叫深度学习？显然不是，我们此时只是提供了一种数值顺着神经元计算的方式，让我们知道了输入一组数据怎么获得网络输入的过程。我们缺少了神经网络中最重要的过程——训练，
什么是训练？加入我们输入数据矩阵X，而我们想要的y是0，但是此时网络输出却是1，这显然是不符合预期的，此时我们怎样才能获得y=0呢？通过计算式可知，y的值和W、X、B有关，此时X是我们的输入，不能改变，那么我们可以调整矩阵W和矩阵B来使得y=0,这个调整的过程就是训练的过程，不断地调整W和B，使得输出y符合我们的预期。

那么我们应该怎么调整呢？不知你是否还记得小白深度学习：基于梯度优化方法中的优化方法？我们使用梯度来不断地调整W、B，直到找到符合的W、B.
当我们找到了W、B后，我们怎么预测呢？就是按照神经元的计算方式直接计算即可！

多层感知机

结构如下图：

输入层输入数据，经过几个隐藏层，然后输出，每一个神经元对下一层所有神经元进行的全连接，即给下一层每个神经元都进行连接，每个神经元计算方式与上述感知机计算方式一致。

BP算法

BP神经网络

未完待续......