正向传播组件实现

最新推荐文章于 2021-08-13 21:03:05 发布

原创最新推荐文章于 2021-08-13 21:03:05 发布 · 123 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#正向传播

人工智能同时被 2 个专栏收录

202 篇文章

订阅专栏

模块

3 篇文章

订阅专栏

本文详细解析了深度学习中神经网络的正向传播过程，包括激活函数、损失函数的计算以及梯度的求解。通过具体公式展示了权重和偏置的更新方式，是理解深度学习算法不可或缺的内容。

部署运行你感兴趣的模型镜像

def forward_propagate(w,b,X,Y):  #正向传播函数
    m=X.shape[1]
    A=sigmoid(np.dot(w.T,X)+b)  #激活函数，w是权重，b是偏置
    cost = -1/m*np.sum(Y*np.log(A)+(1-Y)*np.log(1-A))  #计算损失
    
    dw = np.dot(X,(A-Y).T/m) #权重计算
    db = np.sum(A-Y)/m  #偏值计算
    # 从数组的形状中删除单维条目，即把shape中为1的维度去掉
    cost = np.squeeze(cost)     #返回损失
    
    grads = {'dw':dw,'db':db}  #梯度
    
    return grads,cost

您可能感兴趣的与本文相关的镜像