反向传播算法几个重要公式的详细推导

斯坦福大学《Machine Learning》第五周学习过程中，对反向传播算法的几个公式看得云里雾里的，这里做一个详细的推导和总结

• 公式一：

• 公式二：
• 公式三：

首先已知，这个是我们定义的，不用推导，但是为什么要这样定义呢？

我们给神经元的加权输入添加一点改变，这就导致了神经元的输出变成了，而不是之前的。这个改变在后续的网络层中传播，最终使全部代价改变了。因此，可以用来衡量神经元里的错误量.

 

公式一证明：

要证明

也就是证明 (1) 这个式子就是反向传播的核心式子，和我们求a的过程是一样的，只是方向相反。

 (2) 这里第二个等号后面的累加符号不太好理解，你可以这样想，(l+1)层的每个z都是z(l)j的函数，z(l)j的细小改变会影响到整个z(l+1)的变化，打个比方，M = u(x,y)+v(x,y),M对u或者v求偏导就类同J对l+1层的z求导，M对x或者y求偏导就类同J对z(l)j求导，这也就是求导公式的链式法则。

 (3)

将(3)代入(2)即得到我们要证明的(1)，证毕

公式二证明：

公式三证明：