知识卡片
循环训练分开前向状态与反向梯度
结构图:
flowchart LR
A[当前输入与上步状态] --> B[前向求本步状态]
B --> C[本步预测与损失]
B --> D[下步状态]
C --> E[本步直接梯度]
D --> F[未来传回梯度]
E --> G[汇合并沿时间反传]
F --> G
G --> H[跨步累计共享参数梯度]
H --> I[优化器更新并清累加量]
状态属于一次序列计算,共享参数在训练更新,清梯度不等于清参数。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
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
将RNN展开之后,似乎一切都很明了,前向传播(Forward Propagation)依次按照时间的顺序计算一次即可,反向传播(Back Propagation)从最后一个时间将累积的残差传递回来即可,跟普通的BP神经网络训练并没有本质上的
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:摘录中关于循环训练分开前向状态与反向梯度的定义、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:将RNN展开之后,似乎一切都很明了,前向传播(Forward Propagation)依次按照时间的顺序计算一次即可,反向传播(Back Propagation)从最后一个时间将累积的残差传递回来即可,跟普通的BP神经网络训练并没有本质上的