知识卡片
反向传播按依赖分配梯度
前向先产生预测和损失。反向由损失对输出的导数出发,根据链式法则把梯度传到依赖的中间节点,多个后续路径的贡献需要相加。优化器随后使用这些梯度修改权重。原书例子的 sigmoid 输出范围会使目标 2 无法精确达到,它只用来演示一次更新。
反向传播在计算图上向前置算子应用链式法则。参见 [[链式求导沿复合关系相乘]]。
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
- 深度神经网络 · 查看原书依据
先从与损失函数有直接连接的输出层开始计算梯度
参考来源
- 位置:《机器学习观止:核心原理与实践》第12章《深度神经网络》(来源项目 book-source,`extracted/机器学习观止:核心原理与实践/_epub-src/OEBPS/Text/chapter12.xhtml`)。
- 结论依据:第 12.3 节手算输出层一项权重,并用 TensorFlow 的单步更新对比。
- 原始内容:先从与损失函数有直接连接的输出层开始计算梯度