吴恩达深度学习笔记(20)-激活函数的导数和神经网络的梯度下降

最新推荐文章于 2024-03-25 11:46:46 发布

原创

最新推荐文章于 2024-03-25 11:46:46 发布 · 985 阅读

·

1

·

CC 4.0 BY-SA版权

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。

文章标签：

#吴恩达 #深度学习

本文介绍了神经网络中激活函数的导数，包括sigmoid、tanh、ReLU和Leaky ReLU，并详细阐述了神经网络的梯度下降算法，包括参数更新的方程式和反向传播的过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

激活函数的导数（Derivatives of activation functions）

在神经网络中使用反向传播的时候，你真的需要计算激活函数的斜率或者导数。

针对以下四种激活，求其导数如下：

1）sigmoid activation function

在这里插入图片描述
其具体的求导如下（如果你学过微积分，那么这个求导对于你来说其实并不难）：

公式1：

在这里插入图片描述
注：

当z = 10或z=-10 d/dz g(z)≈0

当z= 0 d/dz g(z)=g(z)(1-g(z))=1/4

在这里插入图片描述
在神经网络中

a=g(z);

g(z)’=d/dz g(z)=a(1-a)

在这里插入图片描述
2) Tanh activation function

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

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。