经典反向传播算法公式详细推导

这里写图片描述 .

MLP神经网络反向传播算法公式推导如下: 1. 前向传播 首先,对于一个输入样本,我们需要进行前向传播,计算出每个神经元的输出值。假设输入层有n个神经元,隐藏层有m个神经元,输出层有k个神经元,则有: 输入层到隐藏层的权重矩阵为W,隐藏层到输出层的权重矩阵为V,输入层的输出为x,隐藏层的输出为h,输出层的输出为y,则有: $$h = f(Wx)$$ $$y = g(Vh)$$ 其中,f和g分别为激活函数,通常为sigmoid函数或ReLU函数等。 2. 反向传播 接下来,我们需要计算误差并进行反向传播,更新权重矩阵。假设样本的真实标签为t,则输出层的误差为: $$\delta_k = (y_k - t_k)g'(net_k)$$ 其中,net_k为输出层神经元的加权输入,g'为激活函数的导数。 隐藏层的误差可以根据输出层的误差和权重矩阵V计算得到: $$\delta_j = g'(net_j)\sum_{k=1}^K \delta_k V_{kj}$$ 其中,net_j为隐藏层神经元的加权输入。 根据误差,我们可以更新输出层到隐藏层的权重矩阵V: $$\Delta V_{kj} = -\eta \delta_k h_j$$ 其中,$\eta$为学习率。 同样地,我们可以根据误差更新输入层到隐藏层的权重矩阵W: $$\Delta W_{ji} = -\eta \delta_j x_i$$ 3. 总结 综上所述,MLP神经网络反向传播算法包括以下步骤: 1. 前向传播,计算每个神经元的输出值。 2. 计算输出层的误差,然后根据误差更新输出层到隐藏层的权重矩阵V。 3. 计算隐藏层的误差,然后根据误差更新输入层到隐藏层的权重矩阵W。
评论 3
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值