f=w*x+b，再經(jīng)由sigmoid(f)或者softmax(f)得到的概率與樣本實際值y(x)是有偏差的，怎樣能使預(yù)測值無限接近樣本實際值呢？這時就需要用到反向傳播來更新神經(jīng)網(wǎng)絡(luò)參數(shù)。反向傳播主要是通過計算損失函數(shù)對網(wǎng)絡(luò)參數(shù)的梯度，然后利用梯度下降等優(yōu)化方法來更新參數(shù)，從而使網(wǎng)絡(luò)逐步優(yōu)化，降低預(yù)測誤差。。

反向傳播流程如下所示：

1. 前向傳播（Forward Propagation）

首先，對輸入數(shù)據(jù)進行前向傳播計算，得到網(wǎng)絡(luò)的輸出。這包括以下步驟：

• 輸入層：將輸入數(shù)據(jù)傳遞給網(wǎng)絡(luò)。
• 隱藏層：通過激活函數(shù)對輸入進行加權(quán)和求和，生成隱藏層的輸出。
• 輸出層：將隱藏層的輸出再次進行加權(quán)和求和再次通過激活函數(shù)，生成最終的輸出。

2. 計算損失（Compute Loss）

使用損失函數(shù)（Loss Function）計算模型預(yù)測值與真實標(biāo)簽之間的誤差。簡單介紹一下幾個損失函數(shù)：?

1） 均方誤差（Mean Squared Error，MSE）

均方誤差是用于回歸任務(wù)的常見損失函數(shù)，計算預(yù)測值與真實值之間的平方差，然后取平均值。

  2） 交叉熵?fù)p失（Cross-Entropy Loss）

交叉熵?fù)p失通常用于分類任務(wù)，特別是在多類別分類問題中。對于二分類問題，交叉熵?fù)p失定義如下：

Binary Cross-Entropy=?1?∑?=1?[??log?(?^?)+(1???)log?(1??^?)]

損失=損失函數(shù)(?預(yù)測,?真實)

3. 反向傳播（Backward Propagation）

反向傳播是計算損失函數(shù)對網(wǎng)絡(luò)中各層各個參數(shù)的梯度，從輸出層向輸入層逐層傳播梯度的過程。我們的目的就是讓損失函數(shù)盡可能地小，這樣預(yù)測值才會無限逼近真實值，怎樣讓損失函數(shù)盡可能地??？求導(dǎo)求梯度，利用梯度下降法，沿著損失函數(shù)梯度的負(fù)方向更新網(wǎng)絡(luò)參數(shù)，以減小損失函數(shù)的值。?????????

3.1 計算輸出層的梯度

首先計算輸出層的梯度，即損失函數(shù)對輸出的梯度。其實這里我們說的梯度就是公式里分母對分子的影響程度：

3.2 播梯度至隱藏層

利用鏈?zhǔn)椒▌t，將輸出層的梯度向后傳播至隱藏層，計算隱藏層的梯度：

?損失?隱藏層輸出=?損失?輸出×?輸出?隱藏層輸出

3.3 計算參數(shù)梯度

根據(jù)隱藏層的梯度，計算網(wǎng)絡(luò)中所有參數(shù)的梯度，包括權(quán)重和偏置項。以權(quán)重為例，梯度的計算方式如下：

?損失?權(quán)重=?損失?隱藏層輸出×?隱藏層輸出?權(quán)重

?4. 參數(shù)更新

利用計算得到的參數(shù)梯度，使用梯度下降等優(yōu)化算法更新網(wǎng)絡(luò)參數(shù)，減小損失函數(shù)的值，使得模型更加接近真實數(shù)據(jù)分布。

新參數(shù)=舊參數(shù)?學(xué)習(xí)率×參數(shù)梯度

其中，學(xué)習(xí)率（Learning Rate）是一個超參數(shù)，控制每次更新的步長，避免更新過大或過小。學(xué)習(xí)率過大可能直接跨過梯度最低點，學(xué)習(xí)率過小迭代次數(shù)又會過多影響學(xué)習(xí)效率。?

5. 重復(fù)迭代

以上步驟構(gòu)成了一次迭代。重復(fù)進行多次迭代，直到損失函數(shù)收斂或達到預(yù)設(shè)的停止條件，訓(xùn)練過程結(jié)束。

本文轉(zhuǎn)載自???人工智能訓(xùn)練營??，作者：小A學(xué)習(xí)