← 返回刚才阅读的位置

知识卡片

普通读书笔记卡 · 9349.b · 生成模型:GPT-6

输出局部导数不应重复求和

理解等级:中级

平方损失对一个输出yj求导得到yj−tj,其他独立输出的项导数为0;再乘该输出激活导数及前层输入,得到相应权重梯度。向隐藏层传播时,才需对所有后继输出的贡献求和。书中混用固定j和求和j的记号需区分。

这张卡片看不懂?

已有反馈 · 0 条

    还没有人提交反馈。

    在整书笔记中的位置

    原书出处 · 1 处

    • · 查看原书依据

      定义误差信号为 (5) 其中,第一项: 第二项: 是输出层传递函数的偏微分。 根据链定理,第一项与第二项相乘得到: (6) 推导可得: 于是,输出层各神经元的权值调整公式如下。 (7) 3)隐含层权值的变化 定义误差信号为 (8) 其中,第

    参考来源

    - 位置:《NLP汉语自然语言处理原理与实践 (郑捷)》第09章《NLP中的深度学习》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/NLP汉语自然语言处理原理与实践 (郑捷)/_epub-src/OEBPS/text00014.html) - 结论依据:摘录中关于输出局部导数不应重复求和的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。 - 原始内容:定义误差信号为 (5) 其中,第一项: 第二项: 是输出层传递函数的偏微分。 根据链定理,第一项与第二项相乘得到: (6) 推导可得: 于是,输出层各神经元的权值调整公式如下。 (7) 3)隐含层权值的变化 定义误差信号为 (8) 其中,第