知识卡片
反向传播复用链式法则
若 a=f(w)、ŷ=g(a)、L=h(ŷ),则 ∂L/∂w=h′(ŷ)g′(a)f′(w)。反传从损失向参数方向计算,可重复利用已经求出的下游梯度。若变量经多路影响损失,梯度需加总各条贡献。梯度反映敏感度,优化器据此更新权值。
[[前向传播逐层计算]]。同一计算图上前向求值和反向求导配合完成训练。
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
- 10.2.2 神经网络分类算法的数学解析 · 查看原书依据
通过链式法则可以不断反向求出神经网络中任一神经元的损失值,从而让每一个神经元都能根据损失值完成调整,这个过程就是神经网络中偏差的反向传播,也是神经网络的“学习”过程。
参考来源
- 位置:《机器学习算法的数学解析与Python实现》10.2.2 神经网络分类算法的数学解析(来源项目 book-source,`extracted/机器学习算法的数学解析与Python实现/_epub-src/OEBPS/text00110.html`)
- 结论依据:本节以多神经元示例说明偏导和链式法则。
- 原始内容:通过链式法则可以不断反向求出神经网络中任一神经元的损失值,从而让每一个神经元都能根据损失值完成调整,这个过程就是神经网络中偏差的反向传播,也是神经网络的“学习”过程。