TensorFlow中的BP算法原理是什么，相信很多沒有經驗的人對此束手無策，為此本文總結了問題出現的原因和解決方法，通過這篇文章希望你能解決這個問題。

創新互聯主營延長網站建設的網絡公司,主營網站建設方案,成都App定制開發,延長h5小程序設計搭建,延長網站營銷推廣歡迎延長等地區企業咨詢

一．反向傳播算法

反向傳播算法[1]（Backpropagation Algorithm，簡稱BP算法）是深度學習的重要思想基礎，對于初學者來說也是必須要掌握的基礎知識，在這一小節里，我們會較為詳細的介紹這一重點知識。

我們使用一個如圖1所示的神經網絡，該圖所示是一個三層神經網絡，兩層隱藏層和一層輸出層，輸入層有兩個神經元，接收輸入樣本(x1,x2)，為網絡的輸出。

圖1 一個三層神經網絡

二．前饋計算的過程

為了理解神經網絡的運算過程，我們需要先搞清楚前饋計算，即數據沿著神經網絡前向傳播的計算過程，以圖1所示的網絡為例：

輸入的樣本為：

公式1

第一層網絡的參數為：

公式2

第二層網絡的參數為：

 公式3

第三層網絡的參數為：

公式4

·第一層隱藏層的計算

圖2 計算第一層隱藏層

第一層隱藏層有三個神經元：neu1、neu2和neu3。該層的輸入為：

公式5

以neu1神經元為例，則其輸入為：

公式6

同理有：

公式7

公式8

假設我們選擇函數f(x)作為該層的激活函數（圖1中的激活函數都標了一個下標，一般情況下，同一層的激活函數都是一樣的，不同層可以選擇不同的激活函數），那么該層的輸出為：

·第二層隱藏層的計算

圖3 計算第二層隱藏層

第二層隱藏層有兩個神經元：neu4和neu5。該層的輸入為：

公式9

即第二層的輸入是第一層的輸出乘以第二層的權重，再加上第二層的偏置。因此得到neu4和neu5的輸入分別為：

公式10

公式11

該層的輸出分別為：

·輸出層的計算

圖4 計算輸出層

輸出層只有一個神經元：neu6。該層的輸入為：

公式12

即：

公式13

因為該網絡要解決的是一個二分類問題，所以輸出層的激活函數也可以使用一個Sigmoid型函數，神經網絡最后的輸出為：

三．反向傳播的計算

上一小節里我們已經了解了數據沿著神經網絡前向傳播的過程，這一節我們來介紹更重要的反向傳播的計算過程。假設我們使用隨機梯度下降的方式來學習神經網絡的參數，損失函數定義為

其中y是該樣本的真實類標。使用梯度下降進行參數的學習，我們必須計算出損失函數關于神經網絡中各層參數（權重w和偏置b）的偏導數。

假設我們要對第k層隱藏層的

假設代表第k層神經元的輸入，即

其中n^(k-1)為前一層神經元的輸出，則根據鏈式法則有：

公式14

公式15

因此，我們只需要計算偏導數

·計算偏導數

前面說過，第k層神經元的輸入為：，因此可以得到：

公式16

我們以1.1節中的簡單神經網絡為例，假設我們要計算第一層隱藏層的神經元關于權重矩陣的導數，則有：

公式17

·計算偏導數

因為偏置b是一個常數項，因此偏導數的計算也很簡單：

公式18

依然以第一層隱藏層的神經元為例，則有：

公式19

·計算偏導數

根據第一節的前向計算，我們知道第k+1層的輸入與第k層的輸出之間的關系為：

公式20

公式21

公式22

公式23

下面是基于隨機梯度下降更新參數的反向傳播算法：

輸入：

看完上述內容，你們掌握TensorFlow中的BP算法原理是什么的方法了嗎？如果還想學到更多技能或想了解更多相關內容，歡迎關注創新互聯-成都網站建設公司行業資訊頻道，感謝各位的閱讀！

當前題目：TensorFlow中的BP算法原理是什么-創新互聯
網址分享：http://vcdvsql.cn/article42/pphec.html

成都網站建設公司_創新互聯，為您提供定制網站、品牌網站制作、電子商務、自適應網站、網站制作、微信小程序

廣告

聲明：本網站發布的內容（圖片、視頻和文字）以用戶投稿、用戶轉載內容為主，如果涉及侵權請盡快告知，我們將會在第一時間刪除。文章觀點不代表本網站立場，如需處理請聯系客服。電話：028-86922220；郵箱：631063699@qq.com。內容未經允許不得轉載，或轉載時需注明來源： 創新互聯