2021李宏毅机器学习笔记--7.1 backpropagation

最新推荐文章于 2024-06-19 11:46:34 发布

guoxinxin0605

最新推荐文章于 2024-06-19 11:46:34 发布

阅读量198

点赞数

文章标签：机器学习神经网络人工智能深度学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/guoxinxin0605/article/details/117172261

版权

2021李宏毅机器学习笔记--7.1 backpropagation

1 摘要
2 步骤
3 小结及展望

1 摘要

上文讲到可以用Backpropagation的方法对网络中的所有参数（ w 和 b）进行更新，最终使total loss达到最低值，本文将介绍具体的步骤。

2 步骤

选定一组初始的参数，计算它们的梯度，然后进行更新，但是在神经网络中有非常多的参数，怎么能更有效率呢？用到了backpropagation的方法。
在这里插入图片描述

2.1 chain rule链式法则

链式求导法则，一个变量受到其他变量或多个变量的影响时，求导时要注意不要求错或漏掉某一部分。
在这里插入图片描述

2.2 loss function

求出预测值与真实值之间的差距再sum一下

最低0.47元/天解锁文章

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
2021李宏毅机器学习笔记--7.1 backpropagation

2021李宏毅机器学习笔记--7.1 backpropagation1 摘要2 步骤2.1 chain rule链式法则2.2 loss function2.2.1 forward pass2.2.2 backward passcase1 未知的两项在输出层case2 未知的两项并不在输出层3 小结及展望1 摘要上文讲到可以用Backpropagation的方法对网络中的所有参数（ w 和 b）进行更新，最终使total loss达到最低值，本文将介绍具体的步骤。2 步骤选定一组初始的参
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。