深度学习——前向传播

 通俗来说前向传播就就是给出x和W算出最后的loss值

一、得分函数计算结果

假设猫图片分成四块，对应三组不同照片分类的权重（猫，狗，船），拿提取的猫的像素矩阵去跟产生的随机矩阵相乘，再加上b（），得出的最后结果就是相应照片分类的得分情况，图中是一个猫图片然而算出的狗的得分最高说明，产生的随机数权中矩阵不符合实际情况。

权重矩阵解析：正数表示对分析图片具有促进作用的像素点（大多为可以体现出物体特征的点），正数越大代表这个像素点对判断此物体结果比较重要（比如狗的权重里面的2.1和0相比，说明第三块像素点对狗的判断信息很重要，可能是狗的面部提取的像素点，然后0的像素点可能就是背景的，对狗的判断信息影响不大）。

负数表示对分析图像具有抑制作用的点（大多为容易和其他物体混淆的像素点）

二、损失函数计算

损失函数越低越好，图中的结果误差就很大，比如第一个猫图，判断为汽车的得分为5.1，公式中+1可以理解为这组模型的容忍程度。

正则化惩罚项用于结果差距太多，防止过拟合太多的现象

最后得出来的得分，要使用Softmax分类器转化成一个概率值，具体计算过程如下：

图片来源up主：人工智能那些事儿