我刚刚开始研究神经网络,设法弄清楚如何推导反向传播所必需的方程。我花了将近3天的时间问所有的教授,并搜集了所有我能找到的东西。我的数学能力虽然很差,但是我真的很想了解这个特殊公式在数学上的意义。找到梯度后,可使用该公式更新权重。
W1 = W0-L *(dC / dw)
位置:
W1 =新重量
W0 =旧重量
L =学习率
dC / dw =误差函数的偏导数和Cost的梯度向量的成员功能
到目前为止我所知道的:
我无法调和:
人工神经网络(ANN)基于人类神经系统的概念。人类神经系统的基本单位是神经元。为了感知刺激,这些神经元存在于全身,每个神经元都与另一个神经元相连,以便将信息从身体的一部分传递到大脑。神经元的信号传递受某些化学物质的浓度控制。存在于神经元中。那里的化学物质浓度通常保持平衡状态,直到感觉到刺激后才受到干扰。因此,除非有刺激,否则不会将信号传输到其他神经元。但是,当感觉到刺激时(例如,一个人从其尖端切下了身影,那一刻的神经元就在其尖端感知到了刺激),神经元表面上化学物质的浓度增加,并且发出信号传播到另一个神经元。内部编码的信号和消息的性质取决于化学物质变化的浓度。
在ANN中,神经元是数学函数或公式,神经元的权重类似于人类神经元中化学浓度的水平。应当调整权重,以便固定公式可以对所有信息进行编码,以执行所有所需的预测,就像通过化学物质在人神经元中进行编码一样。为了找到正确的权重,人工神经网络通过海量数据进行训练,以解决该问题。
学习率是一个标量,通常在0到1之间变化(包括两个端点)。简单地通过学习率即可确定更新体重的步伐。导数是两个值之间的变化率。此处,在这种情况下,两点是预测值和实际值。对于(dC / dw),您也可以简单地使用成本函数,也就是整个网络中的错误都由那个神经元负责。该公式可能会在层与层之间以及文本与文本之间变化。这里的链接很好地解释了前馈神经网络的结构。希望您能理解。如果仍然感到困惑,您可以进一步询问。