开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

我的反向传播算法实现出了什么问题？

反向传播算法是一种用于训练神经网络的常用算法，通过计算损失函数对网络中的权重进行调整，以最小化预测值与实际值之间的差距。然而，在实现反向传播算法时可能会遇到一些问题，下面是一些可能出现的问题及解决方法：

梯度消失或梯度爆炸：在深层神经网络中，梯度可能会随着反向传播的层数逐渐减小或增大，导致网络无法收敛或无法稳定训练。解决方法包括使用激活函数、权重初始化、批归一化等技术来缓解梯度问题。
过拟合：反向传播算法在训练过程中可能会导致模型过度拟合训练数据，导致在新数据上的泛化能力较差。解决方法包括使用正则化技术（如L1、L2正则化）、早停法、数据增强等来减少过拟合。
训练速度慢：反向传播算法在大规模数据集或复杂网络结构下可能会导致训练速度较慢。解决方法包括使用优化算法（如随机梯度下降、动量法、自适应学习率等）、并行计算、硬件加速等来提高训练速度。
局部最优解：反向传播算法可能会陷入局部最优解，而无法达到全局最优解。解决方法包括使用不同的优化算法、调整网络结构、增加随机性等来增加算法的探索性。
超参数选择困难：反向传播算法中存在一些需要手动设置的超参数，如学习率、正则化参数等，选择不当可能会导致训练效果不佳。解决方法包括使用交叉验证、网格搜索等技术来选择最优的超参数组合。

腾讯云相关产品和产品介绍链接地址：

腾讯云AI Lab：https://cloud.tencent.com/product/ai-lab
腾讯云机器学习平台：https://cloud.tencent.com/product/tiia
腾讯云深度学习工具包：https://cloud.tencent.com/product/tf
腾讯云弹性计算服务：https://cloud.tencent.com/product/cvm
腾讯云容器服务：https://cloud.tencent.com/product/ccs
腾讯云数据库服务：https://cloud.tencent.com/product/cdb
腾讯云CDN加速服务：https://cloud.tencent.com/product/cdn
腾讯云安全产品：https://cloud.tencent.com/product/saf
腾讯云音视频处理服务：https://cloud.tencent.com/product/mps
腾讯云物联网平台：https://cloud.tencent.com/product/iotexplorer
腾讯云移动开发平台：https://cloud.tencent.com/product/mpp
腾讯云对象存储服务：https://cloud.tencent.com/product/cos
腾讯云区块链服务：https://cloud.tencent.com/product/bcs
腾讯云元宇宙服务：https://cloud.tencent.com/product/vr

相关搜索:反向传播算法的实现这种多层感知器反向传播实现出了什么问题？我的反向传播有什么问题？我的Luhn算法代码出了什么问题？我的dfs实现出了什么问题？我的QuickSort实现出了什么问题我的MergeSort实现出了什么问题我的eventBus实现出了什么问题？不确定我的排序算法出了什么问题谁能告诉我我的凯撒算法出了什么问题？反向算法给出了不同的答案卷积神经网络的反向传播算法我的广度优先搜索算法出了什么问题 Python图形算法问题，我的代码出了什么问题？我的if条件出了什么问题我的循环出了什么问题？我的layoutInflater出了什么问题？在我的神经网络中找不到反向传播算法中的错误我的MySQL查询出了什么问题？我的XPath/XML出了什么问题？

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

如何用tensorflow训练神经网络

设置神经网络参数的过程就是神经网络的训练过程。只有经过有效训练的神经网络模型才可以真正地解决分类或者回归问题使用监督学习的方式设置神经网络参数需要有一个标注好的训练数据集。监督学习最重要的思想是，在一直答案的标注数据集上，模拟给出预测结果要尽量逼近真实的答案。通过调整神经网络中地参数对训练数据进行拟合，可以使得模块对未知的样本提供预测的能力在神经网络优化算法中，最常用的方法是反向传播算法(backpropagation)。反向传播算法的具体工作原理如下图

06

深度学习系列（2）：前向传播和后向传播算法

深度学习系列（2）：前向传播和后向传播算法前言讲真，之前学吴恩达的机器学习课时，还手写实现过后向传播算法，但如今忘得也一干二净。总结两个原因：1. 理解不够透彻。2. 没有从问题的本质抓住后向传播的精髓。今天重温后向传播算法的推导，但重要的是比较前向传播和后向传播的优缺点，以及它们在神经网络中起到了什么不一般的作用，才让我们如此着迷。反向传播的由来反向传播由Hinton在1986年发明，该论文发表在nature上，高尚大的杂志啊。 Rumelhart, David E, G. E. Hinton,

07

深度 | BP表达式与硬件架构：相似性构建更高效的计算单元

选自Medium 作者：Yaroslav Bulatov 机器之心编译参与：蒋思源反向传播是当前深度学习主要使用的参数更新方法，因此深度学习的硬件设计也需要拟合这种反向传播的计算结构。本文从反向传播的抽象表达开始简要地分析了 BP 算法和脉动阵列架构（systolic array architecture）之间的相似性，从而表明了脉动阵列架构适合执行 BP 和进行模型训练。在并行计算的体系架构中，脉动阵列（systolic array）是紧密耦合的数据处理单元（data processing unit

07

被Geoffrey Hinton抛弃，反向传播为何饱受质疑？（附BP推导）

机器之心整理机器之心编辑部现在的深度学习发展似乎已经陷入了大型化、深度化的怪圈，我们设计的模型容易被对抗样本欺骗，同时又需要大量的训练数据——在无监督学习上我们取得的突破还很少。作为反向传播这一深度学习核心技术的提出者之一，Geoffrey Hinton 很早就意识到反向传播并不是自然界生物大脑中存在的机制。那么，在技术上，反向传播还有哪些值得怀疑的地方？反向传播的可疑之处 Geoffrey Hinton 对人工智能的未来非常担忧。在最近的一次人工智能会议上，Hinton 表示自己对于反向传播「非

学界 | 在线深度学习：在数据流中实时学习深度神经网络

选自arXiv 机器之心编译参与：Nurhachu Null、刘晓坤在线深度学习的主要困难是模型的容量、复杂度等设置很不灵活，即模型是静态的，而数据流是动态的。本论文提出了一种适应性的网络框架，结合 HBP 算法，使网络结构能随着数据的流入而逐渐扩展、复杂化。这使得模型同时拥有在线学习和深度学习的优点，并在多种在线学习模型和数据集的对比实验中都取得了当前最佳结果。近年来，我们见证了深度学习技术在很多应用中的巨大成功。学习深度神经网络面临着很多挑战，包括但不限于梯度消失、逐渐减少的特征重用、鞍点（以及

06

第十篇：《机器学习之神经网络（四）》

j 代表下一层中误差单元的下标，是受到权重矩阵中第行影响的下一层中的误差单元的下标。

02

笔记|李宏毅老师机器学习课程，视频12反向传播算法

感谢李宏毅老师的分享，他的课程帮助我更好地学习、理解和应用机器学习。李老师的网站：http://speech.ee.ntu.edu.tw/~tlkagk/index.html。这个学习笔记是根据李老师2017年秋季机器学习课程的视频和讲义做的记录和总结。

02

梯度检验与高级优化

梯度检验与高级优化导读神经网络反向传播算法目录关键词梯度检验与高级优化 1 关键词缺位错误 off-by-one error 偏置项 bias term 数值检验 numerically checking 数值舍入误差 numerical roundoff errors 有效数字 significant digits 组合扩展 unrolling 学习率 learning rate 汉森矩阵 Hessian matrix 牛顿法 Newton's method 共轭梯度 conjugate

09

多层网络与反向传播算法详解

本篇文章是感知机详解的继续，看本篇文章前最好先看上一篇文章或者有响应的神经网络学习与应用基础。图1 多层前馈网络的决策区域这里显示的网络是用来训练识别10种出现在“h_d”（例如“had”，“hi

07

反向传播和其他微分算法

当我们使用前馈神经网络接收输入，并产生输出时，信息通过网络前向流动。输入x并提供初始信息，然后传播到每一层的隐藏单元，最终产生输出。这称之为前向传播。在训练过程中，前向传播可以持续前向直到它产生一个标量代价函数。反向传播算法，经常简称为backprop，允许来自代价函数的信息通过网络向后流动，以便计算梯度。

01

包你一看就会，详解深度学习反向传播算法，面试不再慌

如果大家对深度学习的发展历史有所了解的话，就会知道正是反向传播算法为深度学习开创了坚固的基石。反向传播算法的提出其实非常非常早，早在上世纪60年代就已经提出了。只是那时候神经网络的理论还没有提出，所以这个算法虽然已经有了，但是一直没有用武之地，直到十多年后，Paul Werbos、David E Rumelhart等多位计算学家将它应用在了神经网络当中，这个算法才真正和深度学习紧密结合在了一起。

05

干货 | 深度学习之损失函数与激活函数的选择

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第二【Python】：排名第三【算法】：排名第四前言在深度神经网络（DNN）反向传播算法(BP)中，我们对DNN的前向反向传播算法的使用做了总结。其中使用的损失函数是均方差，而激活函数是Sigmoid。实际上DNN可以使用的损失函数和激活函数不少。这些损失函数和激活函数如何选择呢？以下是本文的内容。 MSE损失+Sigmoid激活函数的问题先来看看均方差+Sigmoid的组合有什么问题。回顾下Sigmoid激活函数的表达式为：

06

别盲目调参！深度学习要先找到最佳策略

R2RT 是一个很有特色的机器学习/人工智能技术博客，作者是一个在 Github 上用户名为 spitis 的机器学习、人工智能专家。这位真名不知为何的专家，目光深邃，擅长对于一些深邃的技术话题娓娓道来，更难得的是作者对于机器学习、特别是深度学习有一个大局观。他总会反复提醒读者，我们在干什么，讨论什么问题，在人工智能这盘大棋里处于哪个环节。这样的文章在当前的机器学习和深度学习当中，还是非常少见和难得的。这就是为什么 AI100 决定将这个博客已发表的文章全部翻译出来以飨读者。这篇文章是这个系列的第

08

为什么「反向传播」一定要在生物学上有对应？谷歌研究科学家Eric Jang提出质疑

生物学可信深度学习 (BPDL) 是神经科学与机器学习交叉领域中的一个活跃研究课题，主要研究如何利用在大脑中可实现的「学习规则」来训练深度神经网络。

01

深度神经网络（DNN）损失函数和激活函数的选择

在深度神经网络（DNN）反向传播算法(BP)中，我们对DNN的前向反向传播算法的使用做了总结。里面使用的损失函数是均方差，而激活函数是Sigmoid。实际上DNN可以使用的损失函数和激活函数不少。这些损失函数和激活函数如何选择呢？下面我们就对DNN损失函数和激活函数的选择做一个总结。

01

神经网络模型求解思路

神经网络模型求解思路总结：通过反向传播算法（BP算法）求解神经网络模型的损失误差，并进一步求解各个节点的权重参数和偏置参数。通过批梯度下降（SGD）算法进行参数更新。

00

深度学习|神经网络模型求解思路总结

《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle 实战。期待您的到来！ 01 — 神经网络模型求解思路总结

08

说说图灵奖的深度学习「三教父」惊世贡献

2019年3月27日 ——ACM 宣布，深度学习之父 Yoshua Bengio , Yann LeCun 以及 Geoffrey Hinton 获得了2018年的图灵奖，被称为“计算机领域的诺贝尔奖”。

01

神经网络模型求解思路总结

《实例》阐述算法，通俗易懂，助您对算法的理解达到一个新高度。包含但不限于：经典算法，机器学习，深度学习，LeetCode 题解，Kaggle 实战。期待您的到来！ 01 — 神经网络模型求解思路总结神经网络模型，mini_batch批梯度下降（SGD）求解权重参数的原理见：深度学习神经网络模型简介和梯度下降求解，这篇文章中用一个小球下坡，解释了各个节点的权重参数和偏置量的迭代公式：在以上迭代公式中，需要求解两个导数：一是成本函数对权重的偏导，二是成本函数对偏置量的偏导，这是利用神经网络模型分类求解的

08

训练深度神经网络，使用反向传播算法，产生梯度消失和梯度爆炸问题的原因？

反向传播是神经网络训练的精髓。它是根据上一个迭代获得的误差（即损失）对神经网络的权重进行微调的做法。权重的适当调整可确保较低的误差，从而通过提高模型的泛化能力使其变得可靠。反向传播算法的核心思想和工作原理可分为以下几个方面：

00

Bengio、Hinton的不懈追求——深度学习算法揭示大脑如何学习

“如果我们能够揭示大脑的某些学习机制或学习方法，那么人工智能将能迎来进一步的发展，”Bengio如是说。

01

谷歌大作：自动改良反向传播算法，训练速度再提升！

【新智元导读】大神 Geffery Hinton 是反向传播算法的发明者，但他也对反向传播表示怀疑，认为反向传播显然不是大脑运作的方式，为了推动技术进步，必须要有全新的方法被发明出来。今天介绍的谷歌大脑多名研究人员发表的最新论文Backprop Evolution，提出一种自动发现反向传播方程新变体的方法，该方法发现了一些新的方程，训练速度比标准的反向传播更快，训练时间也更短。

03

9 神经网络: 学习(Neural Networks: Learning)

9.1 代价函数(Cost Function) 9.2 反向传播算法(Backpropagation Algorithm) 9.3 直观理解反向传播(Backpropagation Intuition) 9.4 实现注意点: 参数展开(Implementation Note: Unrolling Parameters) 9.5 梯度检验(Gradient Checking) 9.6 随机初始化(Random Initialization) 9.7 综合起来(Putting It Together) 9.8 自主驾驶(Autonomous Driving)

04

学界丨反向传播算法最全解读，机器学习进阶必看！

AI 科技评论按：如果对人工智能稍有了解的小伙伴们，或多或少都听过反向传播算法这个名词，但实际上BP到底是什么？它有着怎样的魅力与优势？本文发布于 offconvex.org，作者 Sanjeev Arora与 Tengyu Ma，由 AI 科技评论对此进行编译。目前网络上关于反向传播算法的教程已经很多，那我们还有必要再写一份教程吗？答案是‘需要’。为什么这么说呢？我们教员Sanjeev最近要给本科生上一门人工智能的课，尽管网上有很多反向传播算法的教程，但他却找不到一份令他满意的教程，因此我们决定自己写

05

【代替反向传播】终极算法作者提出另一种深度学习：离散优化

【新智元导读】在 Hinton 的 Capsule 之后，越来越多的研究者开始探讨反向传播之外的方法。《终极算法》作者、华盛顿大学教授Pedro Domingos和同事Abram L. Friesen今天在arxiv发布的论文《Deep Learning as a Mixed Convexcombinatorial Optimization Problem》就提出了一种使用离散优化，而非反向传播的深度学习方法。论文地址：https://arxiv.org/pdf/1710.11573.pdf 1986

08

科学家研制出具有更好自学能力的计算机

物理研究门户网站phys.org发文称科学家开发出了一种基于神经启发的模拟计算机，它能够在执行任务时通过自我训练将自己变得更好。这个基于一种名为“储备池计算”的人工智能算法的新系统不仅可以在应对困难计算任务时比不使用新算法的实验性储备池计算机(Reservoir computer)有更好的表现，而且还可以处理非常有挑战性的、通常被认为超越了传统储备池计算机能力的任务。这项成果由比利时布鲁塞尔自由大学的研究者Michiel Hermans、Piotr Antonik、Marc Haelterman和Serg

06

寒冬！100万$图灵奖颁给熬过寒冬的深度学习三巨头

据官方公告介绍，因三位巨头（Hinton、Bengio、LeCun）在深度神经网络概念和工程上的突破，使得 DNN 成为计算的一个重要构成，从而成为 2018 年图灵奖得主。

02

NeurIPS 2018 | BP不用算梯度，这样的线性反向传播也能Work！

反向传播算法（Backprop）是很多机器学习算法中主要使用的学习算法。但是在实践中，深度神经网络中的反向传播是一种非常敏感的学习算法，它的成功取决于大量条件和约束。约束的目的是避免产生饱和的激活值，这么做的动机是梯度消失会导致学习过程中断。特定的权重初始化和尺度变换方案（如批归一化）可确保神经元的输入激活值是线性的，这样梯度不会消失，能够流动。

02

“深度学习不是学习”：英特尔高管与AI大牛LeCun展开互怼

英特尔神经形态计算实验室主任Mike Davies在国际固态电路会议（ISSCC）上将深度学习批判了一番。

02

深度神经网络（DNN）反向传播算法(BP)

在深度神经网络（DNN）模型与前向传播算法中，我们对DNN的模型和前向传播算法做了总结，这里我们更进一步，对DNN的反向传播算法（Back Propagation，BP）做一个总结。

03

深度学习笔记

00

LSTM模型与前向反向传播算法

在循环神经网络(RNN)模型与前向反向传播算法中，我们总结了对RNN模型做了总结。由于RNN也有梯度消失的问题，因此很难处理长序列的数据，大牛们对RNN做了改进，得到了RNN的特例LSTM（Long Short-Term Memory），它可以避免常规RNN的梯度消失，因此在工业界得到了广泛的应用。下面我们就对LSTM模型做一个总结。章节目录

03

TensorFlow从0到1 | 第十章：NN基本功：反向传播的推导

上一篇 9 “驱魔”之反传大法引出了反向传播算法，强调了其在神经网络中的决定性地位，并在最后窥探了算法的全貌。本篇将详细的讨论算法各方面的细节。尽管我们都能猜到它会被TF封装，但是仍强烈建议把它作为人工神经网络的基本功，理解并掌握它，回报巨大。《Neural Network and Deep Learning》的作者Nielsen写道： It actually gives us detailed insights into how changing the weights and biases cha

05

TensorFlow从0到1 - 10 - NN基本功：反向传播的推导

上一篇 9 “驱魔”之反向传播大法引出了反向传播算法——神经网络的引擎，并在最后窥探了它的全貌。本篇将详细的讨论反向传播各方面的细节。尽管它被TensorFlow封装的很好，但仍强烈建议把它作为人工神经网络的基本功，理解并掌握它，回报巨大。《Neural Network and Deep Learning》的作者Nielsen写道： It actually gives us detailed insights into how changing the weights and biases chang

06

机器学习系列12：反向传播算法

采用如下方法，先进行前向传播算法，然后再进行反向传播算法（Backpropagation Algorithm），反向传播算法与前向传播算法方向相反，它用来求代价函数的偏导数。具体过程看下图：

02

干货 | 深度学习之CNN反向传播算法详解

微信公众号关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第一【Python】：排名第三【算法】：排名第四前言在卷积神经网络(CNN)前向传播算法（干货 | 深度学习之卷积神经网络（CNN）的前向传播算法详解）中对CNN的前向传播算法做了总结，基于CNN前向传播算法的基础，下面就对CNN的反向传播算法做一个总结。在阅读本文前，建议先研究DNN的反向传播算法：深度神经网络（DNN）反向传播算法(BP)（深度学习之DNN与反向传播算法） DNN反向传播首先回顾DNN的反向传播算

07

Facebook人工智能实验室负责人讲深度学习

注：国外媒体发表文章对Facebook人工智能实验室负责人伊恩•勒坤(Yann LeCun)进行评述，文章谈及勒坤所研究的卷积神经网络对人工智能产生深远影响，潜力不容小觑。此外还介绍了他开发的书写数字

06

BP神经网络(反向传播算法原理、推导过程、计算步骤)

反向传播算法的核心思想是将输出误差以某种形式通过隐藏层向输入层逐层反转，如下图所示。

04

第十章神经网络参数的反向传播算法

该系列文章为，观看“吴恩达机器学习”系列视频的学习笔记。虽然每个视频都很简单，但不得不说每一句都非常的简洁扼要，浅显易懂。非常适合我这样的小白入门。 10.1 代价函数为神经网络拟合参数的算法

01

【深度学习 | 反向传播】释放反向传播的力量: 让训练神经网络变得简单

反向传播算法是一种用于训练神经网络的常用优化算法。它通过计算损失函数对每个参数的梯度，然后根据这些梯度更新参数值，以使得神经网络能够逐步调整和改进其预测结果。

03

学界 | Bengio等提出稀疏注意力回溯：长期依赖关系建模的更一般化机制

人类对与当前心理状态相关的很久之前的事件有很强的记忆能力（Ciaramelli et al., 2008）。大多数关于记忆的实验和理论分析都集中在理解形成记忆和回忆的精细路径上。然而，自动化的提醒机制（当记忆涌入脑海），会对认知有很大的影响。提醒机制通常是由检索时出现的上下文特征触发的，这些特征与被记忆的显著特征相匹配（Berntsen et al., 2013; Wharton et al., 1996），它通常更容易在意料之外的事件之后被触发（Read & Cesa, 1991）。因此，一个人当前的理解状态可以触发对过去状态的回忆。提醒机制有时可能会提供一些无关的信息导致注意力被分散（Forbus et al., 1995; Novick, 1988），但是它也可以通过提供决策所必需的信息，在持续的认知过程中发挥有效的计算作用（Benjamin & Ross, 2010）。

01

神经网络BP反向传播算法原理和详细推导流程

误差反向传播算法简称反向传播算法（即BP算法）。使用反向传播算法的多层感知器又称为BP神经网络。BP算法是一个迭代算法，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）；（2）计算每一层的误差，误差的计算过程是从最后一层向前推进的（这就是反向传播算法名字的由来）；（3）更新参数（目标是误差变小）。迭代前面两个步骤，直到满足停止准则（比如相邻两次迭代的误差的差别很小）。

02

卷积神经网络之反向传播算法

由于卷积层可以有多个卷积核，各个卷积核之间的处理方式是完全相同的，为了简化算法公式的复杂度，下面推导时只针对卷积层中若干卷积核中的一个。

02

用Python从零开始构建反向传播算法

在本教程中，你将探索如何使用Python从零开始构建反向传播算法。

09

AI: 人工神经网络与动物神经网络的关系

神经网络（Neural Network）作为人工智能领域的重要分支，已经在许多应用中展现了其强大的能力。它模拟了生物神经网络的结构和功能，用于处理复杂的数据分析和决策任务。本文将介绍神经网络的基本概念及其工作原理，并讨论其与动物神经网络的关系。

01

揭开神经网络的神秘面纱

未经训练的神经网络模型很像新生儿: 他们被创造出来的时候对世界一无所知(如果考虑到认识论理论的话)，而且只有通过接触这个世界，也就是后天的知识，才会慢慢提高它们的认知程度。算法通过数据体验世界——我们试图通过在相关数据集上训练神经网络，来提高其认知程度。衡量进度的方法是通过监测网络产生的误差。

00

计算图演算：反向传播

除了深度学习，反向传播算法在许多其他领域也是一个强大的计算工具，从天气预报到分析数值稳定性——区别只在于名称差异。事实上，这种算法在几十个不同的领域都有成熟应用，无数研究人员都为这种“反向模式求导”的形式着迷。

02

Stanford机器学习笔记-5.神经网络Neural Networks (part two)

5 Neural Networks (part two) content: 　　5 Neural Networks (part two) 　　　　5.1 cost function 　　　　5.2 Back Propagation 　　　　5.3 神经网络总结接上一篇4. Neural Networks (part one). 本文将先定义神经网络的代价函数，然后介绍逆向传播(Back Propagation: BP)算法，它能有效求解代价函数对连接权重的偏导，最后对训练神经网络的过程进行总结。 5.1

【大神Hinton】深度学习要另起炉灶，彻底抛弃反向传播

【新智元导读】 Hinton在接受 Axios 网站采访时表示，他现在对反向传播算法“深感怀疑”。反向传播算法是我们今天在AI领域所看到的进步的“主力”，包括对照片进行分类的能力、与Siri 对话的能力，等等。Hinton 说：“我的观点是把它（反向传播）全部丢下，重起炉灶。” 科学每经历一次葬礼就前进一步：为了进步，必须要有全新的方法 1986年，Geoffrey Hinton与人合著了一篇论文：Learning representations by back-propagation errors，40年

05

深度学习之DNN与反向传播算法

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第二【Python】：排名第三【算法】：排名第四前言在深度神经网络（DNN）模型与前向传播算法中，我们对DNN的模型和前向传播算法做了总结，这里我们更进一步，对DNN的反向传播算法（Back Propagation，BP）做一个总结。反向传播需要解决的问题在了解DNN的反向传播算法前，我们先要知道DNN反向传播算法要解决的问题，也就是说，什么时候我们需要这个反向传播算法？　回到我们监督学习的一般问题，假设我们有m个训练样本：

07

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭