Quickpropเป็นวิธีการวนซ้ำสำหรับการกำหนดค่าต่ำสุดของฟังก์ชันการสูญเสียของเครือข่ายประสาทเทียม^[ 1 ^]โดยใช้อัลกอริทึมที่ได้รับแรงบันดาลใจจากวิธีการของนิวตันบางครั้งอัลกอริทึมนี้ถูกจัดอยู่ในกลุ่มวิธีการเรียนรู้ลำดับที่สอง โดยใช้การประมาณค่ากำลังสองของขั้นตอนการไล่ระดับก่อนหน้า^และการไล่ระดับปัจจุบัน ซึ่งคาดว่าจะใกล้เคียงกับค่าต่ำสุดของฟังก์ชันการสูญเสีย ภายใต้สมมติฐานว่าฟังก์ชันการสูญเสียมีลักษณะเป็นกำลังสองโดยประมาณในระดับท้องถิ่น โดยพยายามอธิบายด้วยพาราโบลา ที่เปิดขึ้นด้านบน ค่าต่ำสุดจะถูกค้นหาที่จุดยอดของพาราโบลา กระบวนการนี้ต้องการเพียงข้อมูลท้องถิ่นของเซลล์ประสาทเทียมที่นำไปใช้ เท่านั้น ขั้นตอนการประมาณค่าครั้งที่ -th กำหนดโดย: ${\displaystyle k}$

${\displaystyle \Delta ^{(k)}\,w_{ij}=\Delta ^{(k-1)}\,w_{ij}\left({\frac {\nabla _{ij}\,E^{(k)}}{\nabla _{ij}\,E^{(k-1)}-\nabla _{ij}\,E^{(k)}}}\right)}$

โดยที่คือค่าน้ำหนักของอินพุตของนิวรอนและคือฟังก์ชันความสูญเสีย ${\displaystyle w_{ij}}$${\displaystyle i}$${\displaystyle j}$${\displaystyle E}$

อัลกอริทึม Quickprop เป็นการนำ อัลกอริทึม การแพร่กระจาย ข้อผิดพลาดแบบย้อนกลับมา ใช้งาน แต่เครือข่ายอาจมีพฤติกรรมที่ไร้ระเบียบในช่วงการเรียนรู้เนื่องจากขนาดขั้นตอนที่ใหญ่เกินไป

• Scott E. Fahlman: การศึกษาเชิงประจักษ์เกี่ยวกับความเร็วในการเรียนรู้ในเครือข่ายการแพร่กระจายย้อนกลับ (Back-Propagation Networks)กันยายน 1988

บทความเกี่ยวกับโครงข่ายประสาทเทียมนี้ยังไม่สมบูรณ์คุณสามารถช่วยวิกิพีเดียได้โดยการเพิ่มข้อมูลที่ขาดหายไป

• วี
• ที
• อี

บทความเกี่ยวกับอัลกอริทึมหรือโครงสร้างข้อมูลนี้ ยัง ไม่สมบูรณ์คุณสามารถช่วยวิกิพีเดียได้โดยการเพิ่มข้อมูลที่ขาดหายไป

• วี
• ที
• อี