从2016年3月份左右，我的毕业设计开题答辩时间正好是AlphaGo大战李世石之日。还记得当时答辩PPT最末引用的图片还是这张：
李世石大战Google的AlphaGo
不过当时答辩情况并不理想，答辩组老师也没发现我留的这个彩蛋。想想但是我是一种多么激动的心情面对这个毕业设计课题的吗，第一次与前沿科技这么近距离的沾边。可是他们咋就没有多关注关注新闻呢，而且当天下午就是对战之日呀！！
到如今我毕业已近一载，而alphago也已战胜柯洁，隐藏功与名默默退役，将对弈棋谱献于世人研究。我的配图也该换一换了：
柯洁对战AlphaGo
好了，过了这么久，在这过程中又接触到了许多神经网络内容。是该蹭蹭热点，重拾毕业设计内容，来一发BP神经网络的总结和探寻了。
其实，神经网络在上世纪50年代，神经网络就引发过一次热潮，不过由于当时的硬件计算速度和神经网络模型研究的不够深入。在短暂的兴盛后，在60年代末陷入了沉默，之后是默默的反思探索，默默耕耘。直至如今，当前人工智能将发展如何就让历史来评判吧。
神经网络发展历史
如今，随之BP神经网络模型，深度神经网络模型的提成，而且硬件水平的大福提升（加工工艺都已经到8nm了），AlphaGo的围棋挑战又一次引爆了这个AI热潮。谈谈我对BP神经网络的一些看法吧，神经网络应用，其核心就“几乎万能的模型 误差修正函数”。
例如：看到某品牌的泥塑很好，小作坊想仿造，拥有很多陶泥（输入），还有可修改的模具（万能的模型），可套出任意形状。然后开始仿制，首先刚起步很蠢用一大坨陶泥模子套出个长条形身体，出去卖当然市场不买账，返工对比发现需要手和脚（误差判断修正函数），然后一次一次的尝试改正（大小尺寸、头发、眼睛等），然后慢慢成型，这个模型就记录各种参数，然后直接套模子出产品就是的了。
BP神经网络（Back Propagation)误差反向传播神经网络，是通过误差反向传播算法实现的神经网络模型，其核心是误差反向传播思想和算法，简称BP神经网络。那么BP神经网络的万能模型就是下图中的神经网络拓扑结构了：
