目录
-
两层神经网络的反向传播
将输出s展开:
对求偏导:
矩阵形式:
其中,
对求偏导:
其中,
综上,任意层的通用公式为:
-
电路图解释
反向传播时每通过一级,就用链式法则乘以这一级的导数。
其中,sigmoid相关的元件可以合并为一个sigmoid gate:
-
流动图解释
神经网络可以视作流程图的一个实例:
任意流程图都可以执行反向传播:
现在有一些软件包(TensorFlow)可以自动从前向传播的symbolic expression(符号表达式)推导梯度,适用于快速设计原型。
-
实际神经网络中的误差信号
假设最后一层对的误差是:
于是对的导数是
通过线性乘法器,对的导数是权值与的乘积:
通过一个sigmoid gate,对的导数是:
再通过一个线性乘法器,得到对的导数:
于是对的导数是。