BP算法
反向传播算法(BP算法)是一种监督学习算法，常被用来训练多层感知机。BP算法由两个环节（激励传播、权重更新）反复循环迭代，直到网络对输入的响应大到预定的目标范围为止。
激励传播包含：（向前传播阶段）将训练输入送入网络以获得激励响应啊；（反向传播阶段）将激励响应同训练输入对应的目标输入求差（t-a），从而获得隐层和输出层的响应误差。
权重更新包括：首先将输入激励和响应误差相乘(sm*(a(m-1)))，从而获得权重的梯度；然后，将这个梯度乘上一个比例(∂*sm*(a(m-1)))并去反后加到权重上。
LMBP算法
Levenberg-Marquardt算法是牛顿法的一种变形，用于最小化非线性函数的平方和。也可以看成是最速下降法和高斯牛顿法的结合（通过调节阻尼μ切换），当解距离最优解较远时，算法更接近最速下降法，慢却保证下降；当解接近最优解，算法接近高斯牛顿法，快速收敛。非常适用于采用均方误差为性能指标的神经网络的训练。
核心思想：用雅可比矩阵（易计算）代替Hessian矩阵的计算，使得优化效率得到提升。
LMBP是加速收敛BP算法的其中一种标准的数值优化方法。
优点：由于需要求解矩阵的逆，所以在每次迭代中需要更多的计算。但是既便如此，在网络参数个数适中的情况下，LMBP算法依然是最快的神经网络训练算法。
缺点：存储需求大。所需存储近似Hessian矩阵JTJ（n*n的矩阵，其中n是神经网络中参数（权值与偏置值）的个数）。因此当参数的数量非常大时，LMBP算法是不实用的。
Levenberg-Marquardt反向传播算法迭代总结：
1、将所有的输入传入网络，并计算网络对应的输出及误差 。计算所有输入的平方误差之和F(X)。
2、计算Jacobian矩阵。通过初始化之后，使用回复关系来计算这些敏感度。增广个体矩阵到Levenberg-Marquardt敏感度。计算Jacobian矩阵中的元素。
3、求解获得
4、使用来再次计算平方误差的和。如果新的平方和小于第1步中计算的结果，将μ除以 ，令 并回到第1步。如果平方和没有减小，那么使用 乘以μ,并回到第3步。
当这个梯度的范数小于某一个先前设定值时，或者当平方和减小到某个目标误差时，此算法被认为是已经收敛的。
