多层全连接神经网络(五)---反向传播算法

对于有需要讲解链式法则的朋友,后续会补充。

反向传播算法

        本质上反向传播算法只是链式法则的一个应用。例如q = x + y, f = qz,通过计算图可以将这个计算过程表达出来, 如图3.20所示。

        上面的数字表示其数值,下面的数字表示求出的梯度,我们可以一步一步地看看反向传播算法的实现。首先从最后开始,梯度当然是1,然后计算\frac{\partial f}{\partial q} = z = -4, \frac{\partial f}{\partial z} = q = 3,接着计算\frac{\partial f}{\partial x} = \frac{\partial f}{\partial q}\frac{\partial q}{\partial x} = -4 * 1 = -4,\frac{\partial f}{\partial y} = \frac{\partial f}{\partial q}\frac{\partial q}{\partial y} = -4 * 1 = -4,这样一步一步地就求出了 \bigtriangledown f(x,y,z)
        直观上看反向传播算法是一个优雅的局部过程,每次求导只是对当前的运算求导,求解每层网络的参数都是通过链式法则将前面的结果求出不断选代到这一层的,所以说这是一个传播过程。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
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。

余额充值