反向传播算法

1. 损失函数(Loss function)是定义在单个训练样本上的，也就是就算一个样本的误差，比如我们想要分类，就是预测的类别和实际类别的区别，是一个样本的，用L表示。
2. 代价函数(Cost function)是定义在整个训练集上面的，也就是所有样本的误差的总和的平均，也就是损失函数的总和的平均，有没有这个平均其实不会影响最后的参数的求解结果。
3. 总体损失函数(Total loss function)是定义在整个训练集上面的，也就是所有样本的误差的总和。也就是平时我们反向传播需要最小化的值。  

 

 对于L(θ)就是所有损失函数之和。

从这一小部分中去看，把计算梯度分成两个部分

• 计算∂z/∂w​（Forward pass的部分）
• 计算∂l​​/∂z ( Backward pass的部分 )

那么，首先计算∂w/∂z​​（Forward pass的部分）：

根据求微分原理，forward pass的运算规律就是：

​∂z/∂w1​=x1  ​​∂z​/∂w2=x2​ 这里计算得到的x1​和x2​恰好就是输入的x1​和x2​。

 Backward pass的部分比较复杂，因为我们的l是最后一层

 计算所有激活函数的偏微分，激活函数有很多，这里使用Sigmoid函数为例

这里使用链式法则

 

我们可以想象从另外一个角度看这个事情，现在有另外一个神经元，把forward的过程逆向过来,其中σ′(z)是常数，因为它在向前传播的时候就已经确定了

当有输出值时，假设∂l/∂z′​和∂l/∂z′‘​​是最后一层的隐藏层，也就是就是y1与y2是输出值，那么直接计算就能得出结果

但是如果不是最后一层，计算∂l​/∂z′和∂l/∂z′′​​的话就需要继续往后一直通过链式法则算下去

 对于这个问题，我们要继续计算后面绿色的​∂l​/∂za和∂l/∂zb​​,然后通过继续乘w5​和w6​得到∂l​/∂z′，但是要是​∂l​/∂za和​∂l/∂zb​都不知道，那么我们就继续往后面层计算，一直到碰到输出值，得到输出值之后再反向往输入那个方向走。