反向传播和前馈神经网络有什么区别？
What is the difference between back-propagation and feed-forward Neural Network?
反向传播和前馈神经网络有什么区别？
通过google和阅读，我发现在前馈中只有向前的方向，但是在反向传播中我们需要做一次前向传播然后反向传播。我提到了 this link
- 除了流向之外，还有其他区别吗？重量计算呢？结果？
- 假设我正在实施反向传播，即它包含前向和后向流。那么反向传播是否足以显示前馈？
没有纯反向传播或纯前馈神经网络。
反向传播是训练（调整权重）神经网络的算法。
反向传播的输入是 output_vector, target_output_vector,
输出是 adjusted_weight_vector.
前馈是一种从输入向量计算输出向量的算法。
前馈的输入是 input_vector，
输出是 output_vector.
训练神经网络时，需要同时使用这两种算法。
当您使用神经网络（已训练）时，您只使用前馈。
神经网络的基本类型是多层感知器，即Feed-forward backpropagation神经网络。
还有更高级的神经网络类型，使用改进的算法。
也是学习的好来源：ftp://ftp.sas.com/pub/neural/FAQ.html
最好理解原理就是编程吧（这个视频有教程）https://www.youtube.com/watch?v=KkwX7FkLfug
A Feed-Forward Neural Network 是一种神经网络 架构 ，其中的连接是 "fed forward"，即不形成循环（例如在循环网络中）。
术语 "Feed forward" 也用于当您在输入层输入内容并且它 从输入到隐藏以及从隐藏到输出行进 层。
值为"fed forward"。
短语 "feed forward" 的这两种用法都与训练本身无关。
- 反向传播是一种训练算法，由 2 个步骤组成：1) 前馈 值 2) 计算误差和 将其传回到较早的层。所以准确地说，前向传播是反向传播算法的一部分，但在反向传播之前。
神经网络可以有不同的架构。他们的神经元之间的连接决定了信息流的方向。根据网络连接，它们被分类为 - 前馈和循环（反向传播）。
前馈神经网络
在这些类型的神经网络中，信息仅沿一个方向流动，即从输入层到输出层。权重一旦确定，通常不会更改。要么明确决定权重，要么使用像径向基函数这样的函数来决定权重。这里的节点在不知道产生的结果是否准确的情况下完成它们的工作（即它们不会根据产生的结果重新调整）。前面的层没有返回通信。
递归神经网络（反向传播）
信息从输入层传递到输出层以产生结果。结果中的错误现在会传回之前的层。节点知道他们在答案错误中的贡献有多大。权重重新调整。神经网络得到改进。它学习。存在双向信息流。这基本上实现了两种算法，前馈和反向传播。
简单来说：
前馈是一种架构。相反的是循环神经网络。
反向传播（BP）是一种求解方法。 BP 可以解决前馈和递归神经网络。
反向传播和前馈神经网络有什么区别？
通过google和阅读，我发现在前馈中只有向前的方向，但是在反向传播中我们需要做一次前向传播然后反向传播。我提到了 this link
- 除了流向之外，还有其他区别吗？重量计算呢？结果？
- 假设我正在实施反向传播，即它包含前向和后向流。那么反向传播是否足以显示前馈？
没有纯反向传播或纯前馈神经网络。
反向传播是训练（调整权重）神经网络的算法。 反向传播的输入是 output_vector, target_output_vector, 输出是 adjusted_weight_vector.
前馈是一种从输入向量计算输出向量的算法。 前馈的输入是 input_vector， 输出是 output_vector.
训练神经网络时，需要同时使用这两种算法。
当您使用神经网络（已训练）时，您只使用前馈。
神经网络的基本类型是多层感知器，即Feed-forward backpropagation神经网络。
还有更高级的神经网络类型，使用改进的算法。
也是学习的好来源：ftp://ftp.sas.com/pub/neural/FAQ.html 最好理解原理就是编程吧（这个视频有教程）https://www.youtube.com/watch?v=KkwX7FkLfug
A Feed-Forward Neural Network 是一种神经网络 架构 ，其中的连接是 "fed forward"，即不形成循环（例如在循环网络中）。
术语 "Feed forward" 也用于当您在输入层输入内容并且它 从输入到隐藏以及从隐藏到输出行进 层。
值为"fed forward"。
短语 "feed forward" 的这两种用法都与训练本身无关。
- 反向传播是一种训练算法，由 2 个步骤组成：1) 前馈 值 2) 计算误差和 将其传回到较早的层。所以准确地说，前向传播是反向传播算法的一部分，但在反向传播之前。
神经网络可以有不同的架构。他们的神经元之间的连接决定了信息流的方向。根据网络连接，它们被分类为 - 前馈和循环（反向传播）。
前馈神经网络
在这些类型的神经网络中，信息仅沿一个方向流动，即从输入层到输出层。权重一旦确定，通常不会更改。要么明确决定权重，要么使用像径向基函数这样的函数来决定权重。这里的节点在不知道产生的结果是否准确的情况下完成它们的工作（即它们不会根据产生的结果重新调整）。前面的层没有返回通信。
递归神经网络（反向传播）
信息从输入层传递到输出层以产生结果。结果中的错误现在会传回之前的层。节点知道他们在答案错误中的贡献有多大。权重重新调整。神经网络得到改进。它学习。存在双向信息流。这基本上实现了两种算法，前馈和反向传播。
简单来说：
前馈是一种架构。相反的是循环神经网络。
反向传播（BP）是一种求解方法。 BP 可以解决前馈和递归神经网络。