文章讨论了函数J(w)的导数计算，通过增加量ε的变化分析J(w)的增量，介绍了前向传播和后向传播在大型神经网络中的计算图示例，展示了如何利用这些方法在Python中高效求解导数。
假设函数 J(w)=w^2，当 w=3 时， J(w)=3*3=9
当我们给w增加一个很小的量时，观察J(w)如何变化。
例如 w=3+0.001， 则J（w）=9.006001，因此当w=3且增加一个变化量 ε 时，J(w)将会增加 6ε，也就是此时J（w）对 w 的导数值为6.
在python中求导
计算图(computation graph)
如下图中由边或箭头连接的结点
前向传播(forward prop)：从左往右计算
后向传播(back prop):从后往前计算 J 对每一个的导数，是一种有效计算导数的方法，可以减少重复计算
大型神经网络案例，计算图如下
789
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
