矩阵求导与反向传播个人理解

这篇博客探讨了矩阵求导的基本原理,包括向量相乘的导数规则和链式法则。接着,作者详细解释了sigmoid函数的导数,并以矩阵形式展示了反向传播的推导过程,特别关注在网络开始和结束时的处理。在隐藏层和最后一层的反向传播中,给出了导数的计算方法,总结了如何通过误差信号反向传播来更新权重。
摘要由CSDN通过智能技术生成

矩阵求导参考https://blog.csdn.net/daaikuaichuan/article/details/80620518
看图中画红圈的栏
反向传播参考b站

矩阵求导记忆点

❀ 向量x与向量y相乘=一个数 xy=数
(也就是x与y有一个是行向量,一个是列向量,习惯上一般我们认为y是列向量)
则数对x的偏导=y (格式与x一致)
数对y的偏导=x的转置 (格式与y一致)
口诀:前不转 后转


在这里插入图片描述在这里插入图片描述
口诀:链式法则向前乘

sigmod函数求导

g(x)导数=g(1-g)

反向传播矩阵形式推导(不一定对)

网络的开始(就是反向的终结)

x(n×1) 到 W(k×n) x=z(k×1)
如果求出了损失函数L=误差E 对z的偏导
那么 L对W的偏导=啥?
这是一个数 对一个矩阵的偏导

其实你用元素分解法就知道= Lz‘ x
Lz’是

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