神经网络反向传播公式推导

最新推荐文章于 2022-08-20 13:44:57 发布

weixin_41310804

最新推荐文章于 2022-08-20 13:44:57 发布

阅读量143

点赞数

文章标签：机器学习神经网络

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_41310804/article/details/109757856

版权

最近在学习机器学习，看的是吴恩达老师的视频。在神经网络反向传播公式这一节，吴恩达只给出了公式结果，没有给出公式推导过程。
关于公式推导过程，我找到一篇还不错的博客，地址如下：
https://blog.csdn.net/xuan_liu123/article/details/83660316
但是这篇博客中仍有两个令人困惑的点，现作解释如下，希望能够对大家有所帮助。

第一点是大家可能不明白
$\delta ^{(l)}$
为什么等于
$\frac{\partial J(\theta )}{\partial z^{(l)}}$
推导过程如下：
$\frac{\partial J(\theta )}{\partial z^{(l)}}= \frac{\partial J(\theta )}{\partial h(z^{(l)})}\times \frac{\partial h(z^{(l)})}{\partial z^{(l)}}= (-\frac{y}{h(z^{(l)})}+\frac{1-y}{1-h(z^{(l)})})\times h(z^{(l)})\times (1-h(z^{(l)}))=h(z^{(l)})-y=a^{(l)}-y=\delta ^{(l)}$
其中要知道h(x)是sigmoid函数以及 $h(x^{(l)})$ 是及激活函数 $a^{(l)}$

第二个点在于上面那篇博客的作者将 $\Delta ^{(l)}$ 叫做误差矩阵，这会与 $\delta ^{(l)}$ 产生混淆。实际上两者之间没有关系， $\Delta ^{(l)}$ 单纯指的就是代价函数对参数的偏导，其推导公式如下：
$\Delta ^{(l)}=\frac{\partial J(\theta )}{\partial \theta ^{(l)}}=\frac{\partial J(\theta )}{\partial a^{(l+2)}}\times \frac{\partial a^{(l+2)}}{\partial z^{(l+2)}}\times \frac{\partial z^{(l+2)}}{\partial a^{(l+1)}}\times \frac{\partial a^{(l+1)}}{\partial z^{(l+1)}}\times \frac{\partial z^{(l+1)}}{\partial \theta ^{(l)}}=\frac{\partial J(\theta )}{\partial z^{(l+1)}}\times \frac{\partial z^{(l+1)}}{\partial \theta ^{(l)}}=\delta ^{(l+1)}\times a^{(l)}$

weixin_41310804

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
1
评论
神经网络反向传播公式推导

最近在学习机器学习，看的是吴恩达老师的视频。在神经网络反向传播公式这一节，吴恩达只给出了公式结果，没有给出公式推导过程。关于公式推导过程，我找到一篇还不错的博客，地址如下：https://blog.csdn.net/xuan_liu123/article/details/83660316但是这篇博客中仍有两个令人困惑的点，现作解释如下，希望能够对大家有所帮助。第一点是大家可能不明白为什么等于推导过程如下：其中要知道h(x)是sigmoid函数以及是及激活函数第二个点在于上面那篇博客的作
复制链接

扫一扫

评论 1

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。