问神经网络如何“记住”它学到的东西？

EN

每个节点上的每个权重和偏差就像一个存储的变量。当新数据导致其权重和偏差发生变化时，这些变量也会发生变化。最终完成了一个经过训练的算法，权重和偏差不再需要改变。然后，您可以随心所欲地存储有关所有节点、权重、偏差和连接的信息。此信息是您的模型。因此，“记忆”只是权重和偏差的值。

神经网络通过它的权重和偏差记住它所学到的东西。让我们用一个二进制分类的例子来解释它。在前向传播过程中，计算值是概率(例如p)，实际值是y。现在，使用公式：-> -(ylog(p) + (1-y)log(1-p))计算损失。一旦计算了损失，该信息就被反向传播，并使用该损失计算相应的权重和偏差的导数。现在，权重和偏差根据这些导数进行调整。在一个时期，所有的例子都会被传播，权重和偏差也会被调整。然后，在每一步中向前和向后传播相同的示例，并相应地调整权重和偏差。最后，在将损失最小化到很好的程度或达到高精度(确保不过度拟合)后，我们可以存储权重和偏差的值，这就是神经网络所学到的。