在人工神经网络中，权重和偏差值是随机初始化的。由于随机初始化，神经网络在给出输出时可能存在错误，因此需要尽可能减少误差值。为了减少这些误差值，我们需要一种机制，可以将神经网络的期望输出与由误差组成的网络输出进行比较，并调整其权重和偏差，使其在每次迭代后更接近期望的输出。为此，在训练人工神经网络时，使其反向传播并更新权重和偏差。
神经网络中的反向传播算法原理
当梯度为负时，权重的增加会减小误差。
当梯度为正时，权重的减小会减小误差。
反向传播算法背后的原理是减少随机分配的权重和偏差中的误差值，从而产生正确的输出。算法采用监督学习方法进行训练，其中系统输出与已知预期输出之间的误差被呈现给系统并用于修改其内部状态。我们需要更新权重，以便获得全局损失最小值。
反向传播算法如何工作？
反向传播算法的目标是优化权重，以便神经网络可以学习如何正确地将任意输入映射到输出。
在学习过程中，数据必须分为两组：
1、训练数据集，用于计算误差梯度和更新权重；
2、验证数据集，它允许选择最佳迭代次数以避免过度学习。
随着迭代次数的增加，训练误差下降，而验证数据集也会下降。
学习过程完成后，将使用另一个测试数据集来验证和确认预测结果的准确性。当出现新的输入时，经过适当训练的反向传播神经网络往往会给出准确的答案。
反向传播算法的运行流程
1、计算误差。
2、最小错误，检查错误是否最小化。
3、更新参数，如果误差很大，则更新权重和偏差，再次检查错误。重复这个过程，直到误差最小。
4、模型已准备好进行预测。
一旦误差变到最小，则可以使用反向传播算法。
