定义:
1. W ( l ) W^{(l)} W(l)为第 ( l − 1 ) (l-1) (l−1)层至第l层的权重矩阵, w j , k ( l ) w^{(l)}_{j,k} wj,k(l)为 W ( l ) W^{(l)} W(l)中的第行第 k k k列的一项,表示第 ( l − 1 ) (l-1) (l−1)层第 k k k个节点到第 l l l层第 j j j个节点的权重(注意这里 j , k j,k j,k的对应)。
2. b ( l ) b^{(l)} b(l)为第 l l l层的偏置向量, b j ( l ) b^{(l)}_{j} bj(l)为第 l l l层第 k k k个节点的偏置。
3. σ ( . . . ) \sigma(...) σ(...)代表激活函数。
4. a ( l ) = σ ( z ( l ) ) a^{(l)}=\sigma(z^{(l)}) a(l)=σ(z(l)),其中 a j ( l ) = σ ( z j ( l ) ) a^{(l)}_{j}=\sigma(z^{(l)}_{j}) aj(l)=σ(zj(l))
5. z ( l ) = W ( l ) a ( l − 1 ) + b ( l ) z^{(l)}=W^{(l)}a^{(l-1)}+b^{(l)} z(l)=W(l)a(l−1)+b(l),其中 z j ( l ) = ( ∑ k w j , k ( l ) a k ( l − 1 ) ) + b j ( l ) z^{(l)}_{j}=(\sum_{k}{w^{(l)}_{j,k}a^{(l-1)}_{k}})+b^{(l)}_{j} zj(l)=(∑
深度学习基础 多层感知器&反向传播算法
最新推荐文章于 2024-09-22 11:47:12 发布
本文介绍了深度学习中的多层感知器和反向传播算法。详细阐述了权重矩阵、偏置向量、激活函数、损失函数等概念,并通过反向传播过程解释了权重和偏置的更新方法,使用随机梯度下降法更新网络参数,通过逐层反向传播计算各层的更新值。
摘要由CSDN通过智能技术生成