邱县网站建设,阿里云域名购买流程,网络服务有限公司,建设品牌型网站文章目录NotationBackpropagationForward passBackward passSummaryNotation
神经网络求解最优化Loss function时参数非常多#xff0c;反向传播使用链式求导的方式提升计算梯度向量时的效率#xff0c;链式法则如下#xff1a;
Backpropagation
损失函数计算为所有样本…
文章目录NotationBackpropagationForward passBackward passSummaryNotation
神经网络求解最优化Loss function时参数非常多反向传播使用链式求导的方式提升计算梯度向量时的效率链式法则如下
Backpropagation
损失函数计算为所有样本的损失之和即样本预测值与实际值之间的差距通常是交叉熵函数表示如下 考虑第一个neural 由链式法则有 ∂l∂w∂z∂w∂l∂z\frac{\partial l}{\partial w}\frac{\partial z}{\partial w}\frac{\partial l}{\partial z}∂w∂l∂w∂z∂z∂l 其中∂z∂w\frac{\partial z}{\partial w}∂w∂z被称为forward pass, ∂l∂z\frac{\partial l}{\partial z}∂z∂l被称为backward pass
Forward pass
这一部分计算相当容易显然等于input的值。即使在中间的neural也是如此直观图如下
Backward pass
继续链式法则展开 ∂l∂z∂a∂z∂l∂a\frac{\partial l}{\partial z}\frac{\partial a}{\partial z}\frac{\partial l}{\partial a}∂z∂l∂z∂a∂a∂l 直观图表示如下 继续展开第二项 直观图如下 此时结果表示为 其中σ′(z)\sigma{} (z)σ′(z)在Forward 的过程过程中已经计算出来了即σ(z)(1−σ(z))\sigma(z)(1-\sigma(z))σ(z)(1−σ(z))两个未知项分类讨论有
Case 1. Output Layer Case 2. Not Output Layer 实际上进行backward pass是反向的计算即从output layer算
Summary
