bp神经网络和神经网络有什么区别？
第一，计算方法不同
1.前馈神经网络:最简单的神经网络，其中神经元按层排列。每个神经元只与前一层的神经元相连。接收上一层的输出，输出到下一层。层间没有反馈。
2.BP神经网络:是根据误差反向传播算法训练的多层前馈神经网络。
3.卷积神经网络:具有卷积计算和深度结构的前馈神经网络。
第二，用途不同
1.前馈神经网络:主要应用有感知器网络、BP网络、RBF网络。
2.BP神经网络:
(1)函数逼近:训练网络用输入向量和相应的输出向量逼近函数；
(2)模式识别:将其与输入向量关联，输出向量待定；
(3)分类:根据输入向量定义的适当进行分类；
(4)数据压缩:降低输出向量的维数，以便于传输或存储。
3.卷积神经网络:可应用于计算机视觉、自然语言处理、图像识别、物体识别等物理学和遥感科学。
联系人:
BP神经网络和卷积神经网络都属于前馈神经网络，三者都属于人工神经网络。所以三者的原理和结构是一样的。
第三，角色不同
1.前馈神经网络:结构简单，应用广泛，可以任意精度逼近任意连续函数和平方可积函数，可以精确实现任意有限的训练样本集。
2.BP神经网络:非线性映射能力强，网络结构灵活。网络的中间层和各层神经元的数目可以根据具体情况任意设置，其性能随结构的不同而不同。
3.卷积神经网络:具有表征学习的能力，能够根据其层次结构对输入信息平移不变量进行分类。
扩展数据:
1.BP神经网络的优缺点
BP神经网络在网络理论和性能上都比较成熟。其突出优点是非线性映射能力强，网络结构灵活。网络的中间层和各层神经元的数目可以根据具体情况任意设置，其性能随结构的不同而不同。但是BP神经网络也有以下主要缺陷。
(1)学习速度慢，即使是简单的问题，通常也需要几百次甚至几千次才能收敛。
②容易陷入局部极小。
③网络层数和神经元数的选择没有相应的理论指导。
④网络推广能力有限。
2.人工神经网络的特点和优势主要表现在以下三个方面。
①自学习功能。例如，在实现图像识别时，只需将许多不同的图像模板和相应的待识别结果输入到人工神经网络中，网络就会通过自学习功能逐渐学会识别相似的图像。自学习功能对于预测具有重要意义。预计未来的人工神经网络计算机将为人类提供经济预测和效益预测，其应用前景广阔。这是非常雄心勃勃的。
②具有联想记忆功能。这种关联可以利用人工神经网络的反馈网络来实现。
③快速找到最优解的能力。寻找一个复杂问题的最优解往往需要大量的计算。利用针对某个问题设计的反馈型人工神经网络，充分发挥计算机的高速计算能力，可能很快就能找到最优解。
模联里bp是什么？
Bp是用误差反向传播算法训练的多层前馈网络，是应用最广泛的神经网络模型之一。
BP网络可以学习和存储大量的输入输出模式映射关系，而不需要事先揭示描述这种映射关系的数学方程。其学习规则是采用最速下降法，通过反向传播不断调整网络的权值和阈值，使网络误差的平方和最小。BP神经网络模型的拓扑结构包括输入层、隐含层和输出层。