- 1、本文档共69页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 5、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 6、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
神经元
多层神经元
Multi-Layer Perceptron
• 多层感知机
• 第一层输入层,最后输出层,中间隐藏层
• 除了输出层,每层神经元包括bias都是
• 全连接到下一层
• ANN人工神经网络有两个或两个以上隐藏层,称为DNN
• 深度神经网络
Backpropagation
• 反向传播,就是梯度下降使用reverse-mode autodiff
• 前向传播,就是make predictions,然后计算输出误差,然
后计算出每个神经元节点对误差的贡献
• 求贡献就是反向传播是根据前向传播的误差来求梯度
• 然后根据贡献调整原来的权重
Reverse-mode Autodiff
• 反向自动求导是TensorFlow实现的方案,首先,它执行图
的前向阶段,从输入到输出,去计算节点值,然后是反向
阶段,从输出到输入去计算所有的偏导。
• 下面的图是第二个阶段,在第一个阶段中,从x=3和y=4开
始去计算所有的节点值
2
• f(x,y)= ∗y +y +2
• 求解的想法是逐渐的从图上往下,计算f(x,y)的偏导,使用
每一个连续的节点,直到我们到达变量节点,严重依赖链
式求导法则!
Reverse-mode Autodiff
f
• 因为n7是输出节点,所以f=n7 ,所以 = 1
7
• 让我们继续往下走到n5节点, f = f ∗ 7. 我们已知 f = 1,所以我们需
5 7 5 7
要知道7,因为n7=n5+n6,所以我们求得7 =1 ,所以f = 1*1=1
5 5 5
f f 5 5
• 现在我们继续走到节点n4, = ∗ ,因为n5=n4*n2,我们求得 =
4 5 4 4
f
n2, = 1*4
4
• 沿着图一路向下,我们可以计算出所有节点,就能计算出 = 24 , = 10
x y
• 那我们就可以利用和上面类似的方式方法去计算co
Backpropagation
Backpropagation
整体Backpropagation
Momentum Optimizat
文档评论(0)