神经网络链式法则玩转反向传播

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】