本文介绍了机器学习网络中前向传播和反向传播的概念，基于计算图模型，详细解释了反向传播的规则，并通过实例展示了如何计算梯度。在理解了这些基础原理后，可以更好地搭建和优化神经网络。
我们前面已经谈到，在构建一个网络时，主要的思路可以分为两部分：
Loop:{
前向传播——计算结果，得到loss_function
反向传播——逐层计算梯度，调整参数数值
}until convergence
今天我们来添加构建网络的最后一块砖石：前向和反向传播算法实现
之前我们讲过了梯度下降，是一种优化方法，用它来优化损失函数。至于损失函数的选择，各种教程都有说明.....不管是cross_entropy, SVM, softmax......选一个适合的就好
OK，前传和后传都是基于一种叫做computation graph的计算模型，大概就是以下这个样子：
最低0.47元/天 解锁文章
扫一扫
1095
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
