pytorch(三)反向传播

本文详细介绍了神经网络中的反向传播算法,包括其目的(权重更新)和过程,以及如何利用张量的广播机制处理不同形状的数据。文中还强调了激活函数在非线性建模中的作用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

反向传播

  • 前馈过程的目的是为了计算损失loss
  • 反向传播的目的是为了更新权重w,这里权重的更新是使用随机梯度下降来更新的。

前馈过程

在这里插入图片描述
反馈过程

在这里插入图片描述

import torch
x_data=[1.0,2.0,3.0]
y_data=[2.0,4.0,6.0]

w=torch.Tensor([1.0])
# 表示需要计算梯度,默认不需要计算梯度
w.requires_grad=True

def forward(x):
    return x*w # w是tensor类型,则运算会被重载成tensor之间的运算,x会被自动类型转换为tensor类
评论 2
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