机器学习分享反向传播算法推导

反向传播（英语：Backpropagation，缩写为 BP ）是“误差反向传播”的简称，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度。这个梯度会反馈给最优化方法，用来更新权值以最小化损失函数。

很多同学在学习深度神经网络的时候，对反向传播的相关细节表示难以理解，国外有一篇技术博客,用例子进行了非常清晰的推导。我们对此进行了汉化，并提供了相关的代码。有兴趣的同学快来看看吧。

相关代码请见 http://www.momodel.cn:8899/#/explore/5b84e0098fe30b727acaa360?type=app

原文地址 https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example/

假设，你有这样一个网络层

现在对他们赋上初值，如下图：

前向传播过程

1. 输入层---->隐含层：

2. 隐藏层---->输出层:

反向传播过程

接下来,就可以进行反向传播的计算了

1. 计算总误差

2. 隐含层---->输出层的权值更新：

下面的图可以更直观的看清楚误差是怎样反向传播的

我们分别计算每个式子的值： 最后三者相乘

看看上面的公式,我们发现：

3.隐含层---->隐含层的权值更新：

同理,计算出 两者相加,得到总值

最后,三者相乘

这样误差反向传播法就完成了，最后我们再把更新的权值重新计算，不停地迭代.

完整代码（ PC 端查看）： http://www.momodel.cn:8899/#/explore/5b84e0098fe30b727acaa360?type=app

Mo （网址：momodel.cn ）是一个支持 Python 的人工智能建模平台，能帮助你快速开发训练并部署 AI 应用。期待你的加入。