神经网络正向传播与反向传播
2017-02-27 14:48
155 查看
假设网络结构如下:
初始化参数为：
正像传播：
公式：
（也可以用tanh函数代替）
计算：
反向传播：
对于输出层误差：
对于隐藏层误差：
权重更新：
偏向更新：
计算（假设学习率为0.9）：
初始化参数为：
正像传播：
公式：
（也可以用tanh函数代替）
计算：
反向传播：
对于输出层误差：
对于隐藏层误差：
权重更新：
偏向更新：
计算（假设学习率为0.9）：
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 
相关文章推荐
- 神经网络的反向传播BP算法
- 神经网络——梯度下降&反向传播
- 《神经网络和深度学习》系列文章十三：反向传播背后的四个基本等式
- Java Back Propagation Neural Network(JAVA反向传播神经网络)
- 经典的BPN带动量的误差反向传播神经网络类代码示例
- 深度学习21天实战Caffe学习笔记--笔记5--caffe中前向传播、反向传播及最优化求解过程
- 反向传播神经网络极简入门
- 反向传播和其他微分方法(三)
- 一个一步步进行反向传播的例子
- Calculus on Computational Graphs: Backpropagation（计算图表的微积分：反向传播）
- （Caffe，LeNet）反向传播（六）
- 神经网络笔记 - 反向传播(BackPropagation)
- 神经网络中的反向传播----Back Propagation
- lec4 反向传播和神经网络1
- 神经网络2-反向传播
- CNN反向传播，交叉熵代价函数
- pooling层是如何反向传播的？
- Ng机器学习系列补充：7、神经网络反向传播BP算法(Back Propagation)
- MATLAB—反向传播
- bp网络反向传播梯度下降修改权值