资讯
反向传播的微积分｜深度学习第四章 - 3Blue1Brown - 中配
📌 概要
本集从微积分视角拆解反向传播：先以每层只有一个神经元的简化网络为例，用链式法则和偏导数表示代价函数对权重扰动的敏感度，并把S型函数、线性整流函数等非线性纳入求导；随后推广到多神经元多层网络，说明单样本代价需取平均。反向传播虽推导复杂，却是神经网络学习的中坚力量，值得暂停消化。 -------------------------------------------------------------
⚡ 关键要点
- ▸本集从微积分视角拆解反向传播：先以每层只有一个神经元的简化网络为例，用链式法则和偏导数表示代价函数对权重扰动的敏感度，并
- ▸00:00:04 引言
- ▸00:00:37 网络中的链式法则
本集从微积分视角拆解反向传播：先以每层只有一个神经元的简化网络为例，用链式法则和偏导数表示代价函数对权重扰动的敏感度，并把S型函数、线性整流函数等非线性纳入求导；随后推广到多神经元多层网络，说明单样本代价需取平均。反向传播虽推导复杂，却是神经网络学习的中坚力量，值得暂停消化。 ---------------------------------------------------------------- 00:00:04 引言 00:00:37 网络中的链式法则 00:03:38 计算相关导数 00:04