深度学习笔记

dibowei2069

已于 2023-09-05 17:58:44 修改

阅读量112

点赞数

文章标签：深度学习笔记人工智能

于 2023-09-03 23:58:31 首次发布

本文链接：https://blog.csdn.net/dibowei2069/article/details/132657373

版权

1. 代价函数(cost function)与误差函数(loss function)之间的关系： $J = \frac{1}{m}\sum_{i=1}^{m}L(Y^{i},A ^{i})$ ，其中J为代价函数，L为误差函数，Y为标签矢量，A为根据样本计算矢量。

2. 代价函数J对w和b的导数： $\frac{\partial J}{\partial w}$ 推导过程，误差函数以交叉熵 $L=-ylog(1-a)-(1-y)log(1-a)$ 为例：

根据链式传播： $\frac{\partial L}{\partial w}=\frac{\partial L}{\partial a}\frac{\partial a}{\partial z}\frac{\partial z}{\partial w}$ 。

由：

$\frac{\partial L}{\partial a} = \frac{1}{m}\left (-\frac{y}{a}+\frac{1-y}{1-a} \right )$ ， $\frac{\partial a}{\partial z}= a(1-a)$ ， $\frac{\partial z}{\partial w} = x$

有：

$\frac{\partial L}{\partial w}=(-(1-a) y+ a(1-y))x=(-y+ay+a-ay)x=(a-y)x$

$\frac{\partial J}{\partial w^{j}_{i}}=\frac{1}{m}\sum_{i=1}^{m}\left ( a^{j}_{i} - y^{j}_{i} \right )x^{j}_{i}$ ，

设： $X^{(j)}=\begin{bmatrix} x_{1}^{j} &... & x_{m}^{j} \end{bmatrix}$ ， $A^{(j)}=\begin{bmatrix} a_{0}^{j} &... & a_{m}^{j} \end{bmatrix}$ ， $Y^{(j)}=\begin{bmatrix} u_{0}^{j} &... & u_{m}^{j} \end{bmatrix}$

$\frac{\partial J}{\partial w^{j}_{i}}=\frac{1}{m}X^{j}(A^{j}-Y^{j})^{T}$ ，

推广到所有特征权重

$W=\begin{bmatrix} w^{1}\\... \\ w^{n} \end{bmatrix} X=\begin{bmatrix} x^{1}_{1} & ... & x^{1}_{m} \\ ...& ... &... \\ x^{n}_{1} & ... & x^{n}_{m} \end{bmatrix} A=\begin{bmatrix} a^{1}_{1} & ... & a^{1}_{m} \\ ...& ... &... \\ a^{n}_{1} & ... & a^{n}_{m} \end{bmatrix}$