C++ 從零手寫 BP 神經網絡：完整訓練與推理代碼解析

網絡架構參數

• 輸入層：3 個神經元（對應樣本 3 個特徵）。
• 隱含層：8 個神經元（代碼中 m=8）。
• 輸出層：1 個神經元（回歸預測）。
• 激活函數：Sigmoid 變體 out = A / (1 + exp(-net/B))，A=30, B=10。
• 學習率：權重 COEF=0.0035，閾值 BCOEF=0.001。
• 動量項：權重更新含 0.5 * 舊增量，權重衰減 0.9 * 舊權重。

核心算法流程

1. 前向傳播 (netout)： 計算隱含層與輸出層加權和，減去閾值，經激活函數得輸出。
2. 誤差計算 (calculdiffer)： 單樣本均方誤差 0.5*(out - target)²。
3. 反向傳播 (calculd)： 輸出層誤差項 δ = (out-target) * f'(net)；隱含層誤差項累加下層權重×誤差項，再乘激活函數導數。
4. 梯度計算 (calculwc, calculbc)： 權重增量 Δw = -η * δ * in + α * Δw_old；閾值增量 Δb = η_b * δ。
5. 參數更新 (changew, changb)： w = 0.9*w + Δw，b = b + Δb。
6. 樣本級迭代： 單樣本誤差 > ERROR(0.002) 時重複反向傳播更新，直到滿足精度或達最大輪數。
7. 全局收斂判斷 (calculis)： 所有樣本 MSE < ACCURACY(0.0005) 則停止訓練。

代碼結構優化建議

• 使用 std::vector/std::array 替代固定大小 C 數組，支持動態網絡結構。
• 封裝為 class BPNetwork，分離前向、反向、訓練、預測接口。
• 引入隨機種子初始化（std::mt19937），替代 randomize()。
• 添加批量訓練、學習率衰減、早停法等現代技巧。
• 使用 double 而非 float 保證數值穩定性。

樣本數據說明

sample[41][4] 包含 40 個訓練樣本（索引 1-40），每樣本 3 輸入 + 1 目標輸出。測試時手動輸入 3 個特徵值獲取預測結果。