目录

神经网络中的前向传播(Forward Propagation)和后向传播(Backward Propagation)

有时候会搞混这两个概念。什么是前向传播?不是只有后向传播吗?后向传播好像是用来更新模型参数的,前向传播是什么东西?

带着疑问再次梳理一遍:

前向传播

前向传播是神经网络进行预测的过程。在这个过程中,输入数据沿着神经网络从输入层经过隐藏层(如果有的话)最终到输出层流动。在每一层,数据会与层内的权重(parameters)进行计算(如加权和),并通过激活函数(activation function)进行非线性转换,生成该层的输出。这个输出随后成为下一层的输入,直到最后生成最终的预测结果。前向传播的目的是根据当前的模型参数(权重和偏置)对输入数据进行预测

后向传播

后向传播是训练神经网络时用于计算损失函数(loss function)关于模型参数的梯度(gradient)的过程 。这个过程始于最终输出层的损失函数,此函数衡量了模型预测和实际标签之间的差异。在后向传播中,这个损失会被用来计算对每个参数的梯度,表示损失函数如何随这些参数的变化而变化。这通过链式法则(chain rule)实现,从输出层开始逐层向后计算梯度,直至输入层。计算得到的梯度随后用于更新模型的参数(如通过梯度下降法),目的是减少损失,从而改善模型的预测性能。

关系

前向传播提供了模型对当前输入的预测,这个预测随后用于计算损失,损失反映了模型当前性能的好坏。

后向传播利用这个损失,通过计算损失相对于每个参数的梯度,来指导模型参数的更新,以减少未来的预测误差。

前向传播是数据输入到网络模型得到预测结果的过程,后向传播是计算loss function计算模型参数梯度的过程。

引申概念:梯度。

什么是梯度?我们知道模型是根据目标函数的梯度反方向更新参数的,那么这个重要的梯度是如何计算和得到的?梯度的计算通常依赖于链式法则,它是微积分中的一个基本原则,用于计算复合函数的导数。在深度学习中,模型的输出和损失可以视为输入数据和模型参数的复合函数,链式法则允许我们分步骤计算损失相对于每个参数的偏导数。

本文是转载文章,点击查看原文
如有侵权,请联系 xyy@jishuzhan.net 删除
相关推荐
SsummerC1 小时前
【leetcode100】数组中的第K个最大元素
python·算法·leetcode
伊玛目的门徒1 小时前
解决backtrader框架下日志ValueError: I/O operation on closed file.报错(jupyternotebook)
python·backtrader·量化·日志管理·回测
java1234_小锋2 小时前
一周学会Pandas2 Python数据处理与分析-编写Pandas2 HelloWord项目
python·pandas·python数据分析·pandas2
凯强同学3 小时前
第十四届蓝桥杯大赛软件赛省赛Python 大学 C 组:7.翻转
python·算法·蓝桥杯
耘瞳科技3 小时前
喜讯 | 耘瞳科技视觉检测与测量装备荣膺“2024机器视觉创新产品TOP10”
人工智能·科技·视觉检测
__Benco5 小时前
OpenHarmony子系统开发 - DFX(一)
人工智能·harmonyos
小西几哦5 小时前
3D点云配准RPM-Net模型解读(附论文+源码)
人工智能·pytorch·3d
CareyWYR5 小时前
每周AI论文速递(250331-250404)
人工智能
码视野5 小时前
基于快速开发平台与智能手表的区域心电监测与AI预警系统(源码+论文+部署讲解等)
人工智能·智能手表·毕业论文·计算机论文·物联网论文