反向传播

1 链式法则（Chain Rule）

• 第一种情况

  

• 第二种情况

  

2 反向传播（Backpropagation）

Cn代表yn和yn head之间的距离函数。Cn越大代表距离越远，从而Loss越大，参数θ越不好

• 根据上式可以推得下式，求出Loss关于某一参数w的偏微分

• 先只考虑一个neuron

• 前向过程

  • 将input输入进神经网络
  • 计算每一个neuron的output

  

• 反向过程

  

  • 

  • 反向假设一个新的神经元，此时z在前向传播过程中已经是一个被确定的值，即一个常数。

    

  • 如何计算其中的两个未知项

    • 第一种情况，当前neuron的后面就是output layer

      

    • 第二种情况，当前neuron的后面不是output layer

      

      如此反复，一直到下一个neuron是output layer

    • 在正向传播的神经网络基础上，建立一个反向的神经网络。

• 大致流程

  

原文：https://www.cnblogs.com/MurasameLory-chenyulong/p/15172724.html