出处: Michael Nielsen的《Neural Network and Deep Learning》,点击末尾“阅读原文”即可查看英文原文。
本节译者:哈工大SCIR本科生 王宇轩
声明:我们将在每周一,周四 定期连载该书的中文翻译,如需转载请联系wechat_editors@ir.hit.edu.cn,未经授权不得转载。
-
使用神经网络识别手写数字
-
反向传播算法是如何工作的
-
热身:一个基于矩阵的快速计算神经网络输出的方法
-
关于损失函数的两个假设
-
Hadamard积
-
反向传播背后的四个基本等式
-
四个基本等式的证明(选读)
-
反向传播算法
-
什么时候反向传播算法高效
-
反向传播算法再理解
-
改进神经网络的学习方法
-
神经网络能够计算任意函数的视觉证明
-
为什么深度神经网络的训练是困难的
-
深度学习
反向传播算法是以常见线性代数操作为基础——诸如向量加法,向量与矩阵乘法等运算。但其中一个操作相对不是那么常用。具体来讲,假设s和t是两个有相同维数的向量。那么我们用s⊙t来表示两个向量的对应元素(elementwise)相乘。因此s⊙t的元素(s⊙t)j=sjtj。例如,
这种对应元素相乘有时被称为Hadamard积(Hadamard product)或Schur积(Schur product)。我们将称它为Hadamard积。优秀的矩阵库通常会提供Hadamard积的快速实现,这在实现反向传播时将会有用。
下一节我们将介绍“反向传播背后的四个基本等式”,敬请关注!
-
“哈工大SCIR”公众号
-
编辑部:郭江,李家琦,徐俊,李忠阳,俞霖霖
-
本期编辑:俞霖霖