深度学习最底层的理论，竟有些生疏了。
反向传播算法
首先是bp反向传播，其核心idea就是，从后向前，一层层的梯度传递。
高数中求偏导的时候就有个链式法则，对所有路径的偏导乘积求和，就是该参数的偏导
bp算法就是通过自后向前的偏导计算，避免了重复的计算。每一个节点的偏导值，都可以在前一级的偏导计算中用到
下面举个简单反向传播的直链例子：
ω \omega ω、 b b b是参数， h h h是隐含层神经元激活后的值， f f f是激活函数。
g i g_i gi我把它叫做梯度参数，每次更新和缓存的也是这个。
且很容易推得 g i = g i + 1 ⋅ ω i + 1 ⋅ f ′ ( ω i h i + b i ) g_i=g_{i+1}\cdot\omega_{i+1}\cdot f^\prime(\omega_ih_i+b_i) gi=gi+1
最低0.47元/天 解锁文章
扫一扫
4895
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
