reference：

Wiki资料

卷积神经网络在图像分类中的应用研究 (这个里面反向传播算法介绍的特别好，推荐看)

参考资料总结：

目前阶段我们不需要知道具体是怎么算得，大体了解推理过程就可以了。然后知道学习速率在哪里，和损失函数在反向传播算法里面起了什么作用就好了。

但是要记住以下结论

1、隐层阀值梯度值取决于隐层神经元输出、输出层阀值梯度和隐层与输出层的连接权值
2、在阀值调成过程中，当前层的阀值梯度取决于下一层的阀值梯度（BP精髓）
3、当前层的连接权值梯度，取决于当前神经元阀值梯度和上层神经元输出
4、学习速率就是调整权值时，梯度前面的系数。
5、损失函数就是计算前向传播的结果和预期值的误差。

整体的算法流程，大概就是

首先，前传（即训练输入送入网络得到响应），得到此次结果和预期的误差，然后反传，通过得到的误差计算梯度，然后根据梯度来调整权值。

通俗理解

由于我们有时候不需要知道细节，所以大体知道流程就可以了，这里大概就是以一个故事的形式通俗的讲一讲整体的流程。

有一天，我们要下山，但是雾太大，看不见路，所以我们只能以能见很小的范围内确认自己是不是在下山，然后理论上一直在向下走就是在下山，BP大概的理解就是这样子的。以梯度来看自己是不是在“下山”。这样子就会更好的理解以下要说的BP的缺点。

缺点

1、局部极小值

这么理解，就是你在下山的时候，有一个小坑，然后由于你看不到坑的全貌，但是所以你一直走下坡永远都出不了这个小坑。这种情况在学习速率特别小的时候就容易进去。

2、算法训练非常慢

这个光想就知道啦，你下山不走路线，能依赖的东西太少，寻路就会非常复杂，当然慢咯。

创建时间：不详

修改时间：2017/6/10