知识卡片
仿射层偏置梯度
小批量仿射层 Y=XW+b 把同一偏置广播到每条样本。反向传播时,每条样本对偏置的贡献都来自对应的上游梯度,因此偏置梯度沿样本轴求和;权重和输入梯度则由矩阵乘法计算。
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
- 神经网络的复习 · 查看原书依据
Repeat 节点的反向传播可以通过 np.sum() 计算出来,此时注意矩阵的形状,就可以清楚地知道应该对哪个轴(axis)求和。
参考来源
- 位置:《深度学习进阶:自然语言处理》第1章《神经网络的复习》(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0006_split_003.html)
- 结论依据:正文对该机制或实现作出相应说明。
- 原始内容:Repeat 节点的反向传播可以通过 np.sum() 计算出来,此时注意矩阵的形状,就可以清楚地知道应该对哪个轴( axis )求和。