解读反向传播算法（图与公式结合） - 知乎专栏
1.1反向传播算法. 反向传播（BP, back propagation）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。 它的基本思想为： (1)先计算每一层的状态和 激活值 ，直到最后一层（即信号是前向传播的）；
深度学习 | 反向传播详解 - 知乎 - 知乎专栏
BP本来只指损失函数对参数的梯度通过网络反向流动的过程，但现在也常被理解成神经网络整个的训练方法，由 误差传播 、参数更新两个环节循环迭代组成。 本文将以最基础的全连接深度前馈网络为例，详细展示Back-propagation的全过程，并以Numpy进行实现。
机器学习笔记丨神经网络的反向传播原理及过程（图文并茂+浅显易懂）_神经网络反向传播 …
2020年6月19日 · 反向传播算法(Backpropagation，简称BP算法)是“误差反向传播”的简称，是适合于多层神经元网络的一种学习算法，它建立在梯度下降法的基础上。梯度下降法是训练神经网络的常用方法，许多的训练方法都是基于梯度下降法改良出来的，因此了解梯度下降法很重要。
“反向传播算法”过程及公式推导（超直观好懂的Backpropagation）_反向传播 …
2019年5月15日 · 本文将从反向传播的本质、反向传播的原理、反向传播的案例三个方面，详细介绍反向传播（Back Propagation）。 反向传播算法 几个重要 公式 的详细 推导
【深度学习篇】：前向传播（forward）和反向传播（backward）
前向传播（forward） 简单理解就是将上一层的输出作为下一层的输入，并计算下一层的输出，一直到运算到输出层为止。 接下来我们用数学公式描述一下：
一文弄懂神经网络中的反向传播法——BackPropagation
2016年6月30日 · 反向传播法其实是神经网络的基础了，但是很多人在学的时候总是会遇到一些问题，或者看到大篇的公式觉得好像很难就退缩了，其实不难，就是一个链式求导法则反复用。
什么是反向传播 - CSDN博客
2025年1月10日 · 反向传播（Backpropagation）是指在神经网络中使用梯度下降等优化算法进行模型训练时，通过计算损失函数对模型参数的梯度，然后反向传播这些梯度从输出层到输入层，以更新模型参数的过程。
神经网络算法 - 一文搞懂Back Propagation（反向传播） - 文章
2024年6月19日 · 反向传播（ Back Propagation ）： 反向传播算法利用链式法则， 通过从输出层向输入层逐层计算误差梯度 ，高效求解神经网络参数的偏导数，以实现网络参数的优化和损失函数的最小化。
深度学习反向传播（Backpropagation）详解：图示 + 数学原理
本文通过将图片和代码结合的方式，讲解深度学习反向传播（Backpropagation）的原理。部分内容来源于：Calculus on Computational Graphs: Backpropagation 。 关键要点： 反向传播算法主要源于微积分中的链式法则、乘法法则和加法法则等数学思想。
什么是反向传播？| IBM
反向传播是“误差反向传播”的简写，它是一种优雅方法，可用于计算神经网络的任意权重或偏差的变化会如何影响模型预测的准确性。它对于使用监督学习、半监督学习或自我监督学习来训练神经网络至关重要。
- 某些结果已被删除