前向传播算法 Forward propagation 与反向传播算法 Back propagation
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了前向传播算法 Forward propagation 与反向传播算法 Back propagation,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含1202字,纯文字阅读大概需要2分钟。
内容图文
![前向传播算法 Forward propagation 与反向传播算法 Back propagation](/upload/InfoBanner/zyjiaocheng/824/60445b4927584b4592b2cfb3e86d65c0.jpg)
虽然学深度学习有一段时间了,但是对于一些算法的具体实现还是模糊不清,用了很久也不是很了解。因此特意先对深度学习中的相关基础概念做一下总结。先看看前向传播算法(Forward propagation)与反向传播算法(Back propagation)。
1.前向传播
bp过程可能差不多就是这样了,可能此文需要你以前接触过bp算法,只是还有疑惑,一步步推导后,会有较深的理解。
上面的python代码实现如下:
#!/usr/bin/env python#coding:utf-8import numpy as npdef nonlin(x, deriv = False):??? if(deriv == True):??????? return x * (1 - x)??? return 1 / (1 + np.exp(-x))X = np.array([[0.35], [0.9]])y = np.array([[0.5]])np.random.seed(1)W0 = np.array([[0.1, 0.8], [0.4, 0.6]])W1 = np.array([[0.3, 0.9]])print 'original ', W0, '\n', W1for j in xrange(100):??? l0 = X??? l1 = nonlin(np.dot(W0, l0))??? l2 = nonlin(np.dot(W1, l1))??? l2_error = y - l2??? Error = 1 / 2.0 * (y-l2)**2??? print 'Error:', Error??? l2_delta = l2_error * nonlin(l2, deriv=True)??? l1_error = l2_delta * W1 #back propagation??? l1_delta = l1_error * nonlin(l1, deriv=True)??? W1 += l2_delta * l1.T??? W0 += l0.T.dot(l1_delta)??? print W0, '\n', W1
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 1
内容总结
以上是互联网集市为您收集整理的前向传播算法 Forward propagation 与反向传播算法 Back propagation全部内容,希望文章能够帮你解决前向传播算法 Forward propagation 与反向传播算法 Back propagation所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。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 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。