前言
神经网络的反向传播到底是个什么样的过程?今天就用链式求导揭开这个黑盒子。
这对于理解和设计神经网络很有帮助。
我们使用一个简单的逻辑回归的例子
这里绿色是前向计算,褐红色是反向传播。 0.73是最终输出,1是误差。
可以看到整个计算流程就是上面那个逻辑回归表达式。
好了,误差有了,开始反向传播吧
很简单,就是拿误差乘以导数
error=1,它是经过1/x计算得到的误差,导数f1=-1/x^2,反向传递 1X(-1/1.37^2)=-0.53
error=-0.53,它是经过x+1计算得到的误差,导数f2=1,反向传递 -0.53X(1)=f1Xf2=-0.53
error=-0.53,它是经过ex计算得到的误差,导数f3=ex,反向传递 -0.53X(e-1)=f1Xf2Xf3=-0.2
error=-0.2,它是经过-x计算得到的误差,导数f4=-1,反向传递 -0.2X(-1)=f1Xf2Xf3Xf4=0.2
error=0.2,它是经过m1+m2计算得到的误差,它有2个导数,
对m1的导数f51=1,反向传递 0.2X(1)=f1Xf2Xf3Xf4Xf51=0.2
对m2的导数f52=1,反向传递 0.2X(1)=f1Xf2Xf3Xf4Xf52=0.2
…
需要注意的是,误差从输出一层一层往前传播,不可以跳过某些中间步骤,在计算每一步的误差时,需要乘上上一步得到的误差(链式法则,层层相乘)。
在传播过程中,如果某一部分可以直接用一整个函数代替,则可以对整块求导,然后将导数值传到上一步,如下图所示,这仍然符合链式求导法则。
蓝色框内其实就是sigmoid函数,其导数为 f(1-f)=(0.73x(1-0.73))=0.2,反向传递 1X0.2=0.2
其实在实际过程中,完整的反向传播应该是下图
是不是觉得链式法则很有用?
最后
感谢你们的阅读和喜欢,我收藏了很多技术干货,可以共享给喜欢我文章的朋友们,如果你肯花时间沉下心去学习,它们一定能帮到你。
因为这个行业不同于其他行业,知识体系实在是过于庞大,知识更新也非常快。作为一个普通人,无法全部学完,所以我们在提升技术的时候,首先需要明确一个目标,然后制定好完整的计划,同时找到好的学习方法,这样才能更快的提升自己。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】
一、全套AGI大模型学习路线
AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
二、640套AI大模型报告合集
这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
三、AI大模型经典PDF籍
随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
四、AI大模型商业化落地方案
五、面试资料
我们学习AI大模型必然是想找到高薪的工作,下面这些面试题都是总结当前最新、最热、最高频的面试题,并且每道题都有详细的答案,面试前刷完这套面试题资料,小小offer,不在话下。
这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
】