《实例》阐述算法,通俗易懂,助您对算法的理解达到一个新高度。包含但不限于:经典算法,机器学习,深度学习,LeetCode 题解,Kaggle 实战。期待您的到来!
01
—
神经网络模型求解思路总结
神经网络模型,mini_batch批梯度下降(SGD)求解权重参数的原理见:深度学习神经网络模型简介和梯度下降求解,这篇文章中用一个小球下坡,解释了各个节点的权重参数和偏置量的迭代公式:
在以上迭代公式中,需要求解两个导数:一是成本函数对权重的偏导,二是成本函数对偏置量的偏导,这是利用神经网络模型分类求解的重要求解步骤。
如何求解这两个偏导呢? 一般,用反向传播算法(BP算法)求解,一共用到了4个公式:首先,求解输出层中每个神经元的损失误差值,然后,反向传播求解前面每层的损失误差值,最后,求得每个节点的权重参数,偏置参数,这四个公式分别为:
这样,神经网络求解模型的所有变量都可以求出了,关于反向传播求参数的文章,请参考:深度学习反向传播算法(BP)原理推导及代码实现。
基于以上,基于神经网络模型的手写字分类的整体思路可以参考:深度学习神经网络模型实现手写字分类求解思路,里面包括了手写字三层神经网络求解模型,和核心代码的实现。
02
—
反向传播算法扩展
以上这些部分中,技术性最强的还是反向传播算法,大家可以再参考这篇文章,
Calculus on Computational Graphs: Backpropagation
http://colah.github.io/posts/2015-08-Backprop/
关于这篇文章,是如何分析反向传播的,以后也会分析,推送笔记。
今天先对这几天的推送做个简单总结吧,大家感兴趣的,回过头来也按照这个思路温习一遍,谢谢大家的阅读。
请记住:每天一小步,日积月累一大步!
《实例》阐述算法,通俗易懂,助您对算法的理解达到一个新高度。包含但不限于:经典算法,机器学习,深度学习,LeetCode 题解,Kaggle 实战。期待您的到来!
领取专属 10元无门槛券
私享最新 技术干货