推导反向传播中的dZ=A - y

最新推荐文章于 2022-06-18 17:12:42 发布

且听风吟0618

最新推荐文章于 2022-06-18 17:12:42 发布

阅读量2.5k

点赞数 23

分类专栏：深度学习文章标签： AI deeplearning

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/jack__linux/article/details/89227669

版权

本文详细推导了深度学习反向传播过程中dZ=A - y的计算过程，从基本的链式法则出发，结合逻辑回归的损失函数和sigmoid激活函数的导数，最终得到向量化后的表达式。同时，解释了在向量化时加入求平均的原因，以避免数值过大的问题。此推导是对吴恩达深度学习课程内容的补充和回顾。

摘要由CSDN通过智能技术生成

在吴恩达老师的反向传播课程中，涉及到如下公式：

$dz = da * g^{'}(z)$ ，在向量化后为 $dZ = A - Y$ ，下述为推导过程：

因为 $da =\frac {\partial J(w,b)} {\partial a}$ ，且 $J(w,b) = \frac {1}{m} \sum_{i=1}^mL(\hat y,y)$ ，在最后一层网络中 $\hat y = a$

故

最低0.47元/天解锁文章

且听风吟0618

关注

23
点赞
踩
31

收藏

觉得还不错? 一键收藏
10
评论
推导反向传播中的dZ=A - y

在吴恩达老师的反向传播课程中，涉及到如下公式：，在向量化后为，下述为推导过程：因为，且，在最后一层网络中故在逻辑回归中，损失函数故又因为，在文章中所述的网络结构中，最后一层激活函数g(z)为sigmoid函数，故其导函数为因为，故所以向量化后即为推导完后发现吴恩达老师其实在课件中已经推导过了（《吴恩达深度学习v5.57》的...
复制链接

扫一扫

专栏目录

评论 10

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。