大家好，又见面了，我是你们的朋友全栈君。
反向传播算法（Backpropagation）是目前用来训练人工神经网络（Artificial Neural Network，ANN）的最常用且最有效的算法。其主要思想是：
（1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程；
（2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
（3）在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。
反向传播算法的思想比较容易理解，但具体的公式则要一步步推导，因此本文着重介绍公式的推导过程。
1. 变量定义
![反向传播算法（过程及公式推导）[通俗易懂]](https://img-blog.csdn.net/20160401202509000)
上图是一个三层人工神经网络，layer1至layer3分别是输入层、隐藏层和输出层。如图，先定义一些变量：
![反向传播算法（过程及公式推导）[通俗易懂]](https://img-blog.csdn.net/20160401202738142)
表示第![反向传播算法（过程及公式推导）[通俗易懂]](https://javaforall.cn/wp-content/plugins/wp-fastest-cache-premium/pro/images/blank.gif)
个神经元连接到第层的第个神经元的权重；表示第层的第个神经元的偏置；表示第层的第个神经元的输入，即表示第个神经元的输出，即 其中![反向传播算法（过程及公式推导）[通俗易懂]]()
表示激活函数。
2. 代价函数
代价函数被用来计算ANN输出值与实际值之间的误差。常用的代价函数是二次代价函数（Quadratic cost function）：
其中，![反向传播算法（过程及公式推导）[通俗易懂]]()
表示输入的样本，![反向传播算法（过程及公式推导）[通俗易懂]]()
表示实际的分类，![反向传播算法（过程及公式推导）[通俗易懂]]()
表示预测的输出，![反向传播算法（过程及公式推导）[通俗易懂]]()
表示神经网络的最大层数。
表示实际的分类，表示预测的输出，表示神经网络的最大层数。3. 公式及其推导
本节将介绍反向传播算法用到的4个公式，并进行推导。如果不想了解公式推导过程，请直接看第4节的算法步骤。
首先，将第![反向传播算法（过程及公式推导）[通俗易懂]]()
层第![反向传播算法（过程及公式推导）[通俗易懂]]()
个神经元中产生的错误（即实际值与预测值之间的误差）定义为：
个神经元中产生的错误（即实际值与预测值之间的误差）定义为： 本文将以一个输入样本为例进行说明，此时代价函数表示为：
公式1（计算最后一层神经网络产生的错误）：
其中，![反向传播算法（过程及公式推导）[通俗易懂]]()
表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算。
公式1的推导过程如下：
表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算。公式1的推导过程如下：
公式2（由后往前，计算每一层神经网络产生的错误）：
推导过程：
公式3（计算权重的梯度）：
推导过程：
公式4（计算偏置的梯度）：
推导过程：
4. 反向传播算法伪代码
- 输入训练集
- 对于训练集中的每个样本x，设置输入层（Input layer）对应的激活值：
- 前向传播：
， -
- 计算输出层产生的错误：
-
- 反向传播错误：
- 反向传播错误：
- 使用梯度下降（gradient descent），训练参数：
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
发布者：全栈程序员-用户IM，转载请注明出处：https://javaforall.cn/131986.html原文链接：https://javaforall.cn
【正版授权，激活自己账号】： Jetbrains全家桶Ide使用，1年售后保障，每天仅需1毛
【官方授权 正版激活】： 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...