0
点赞
收藏
分享

微信扫一扫

反向传播算法初识

追风骚年 2022-04-26 阅读 98
深度学习

反向传播算法

过程

根据网络输出的答案与正确答案之间的误差,不断调整网络的参数。
在这里插入图片描述

  • 根据误差,从最后一层逐层向前调整神经网络的参数。如果误差值为负,就提升权重,反之就降低权重。
  • 其更新主要依据的数学原理是:链式求导
  • 通过用损失函数对神经元上参数的链式求导,计算出总误差对神经元上参数的偏导,如果为正,则通过学习,降低该参数的值,如果为负则提升该值。目的是尽量使该偏导值接近于0。
  • 每一次迭代都会更新参数,通过不停地迭代,最终会使得模型的误差下降。

参考链接:
https://blog.csdn.net/qq_29407397/article/details/90599460

一些基础

决定神经元是否好用

神经元之间连接的权重和阈值决定了神经元是否好用,训练的目的也是为了获得更为准确的权重和阈值。

学习率

在调增参数的过程中,调整的比率(大小)就称为学习率。

链式求导法则

参考链接:
https://blog.csdn.net/ws_6868/article/details/86656077

公式

总误差的公式:
在这里插入图片描述
链式求导举例,如图神经网络
在这里插入图片描述
隐含层---->输出层的权值更新:
在这里插入图片描述
隐含层---->隐含层的权值更新:
在这里插入图片描述

举报

相关推荐

0 条评论