深度学习不只是“Import Tensorflow”（下）

因此，与其在抛物线上降低我们的损失，不如把梯度下降的过程想象成把一个球滚下山，这个球代表了我们神经网络的误差量。

简而言之，梯度下降法使网络能够计算出给定一组输入时，它的输出是需要更大的正值还是负值，以便在进行预测时提高网络的整体准确性。

一旦通过损失函数计算出误差，网络中的权值和偏差就会被修正以使误差最小化。这是通过一种叫做反向传播的方法实现的:

其中W(k+1)表示新的权值，W(k)表示当前权值。

反向传播函数将错误从输出层向后传播到网络中的每一层。它本质上允许我们修改神经网络中节点之间的每一个权重的值，使一些节点变得比其他节点更“活跃”。

这些修改的目的是最小化神经网络的损失或误差。经过无数次的反复训练，损失最小化，我们的神经网络在工作中变得越来越精确，无论是识别手写数字还是推荐你下一个YouTube视频。

• 神经网络学习输入变量和输出变量之间的关系。
• 给定足够的数据进行训练，神经网络学习从x到y的精确映射。
• 神经网络由输入层、隐藏层和输出层组成。
• 单个节点的函数可以与线性回归进行比较，其中每个节点都有一组权重和偏差。
• 神经元与线性回归模型的不同之处在于，一个节点可以接受几个加权的输入，并且一层的每个节点都向下一层的节点提供信息。这一特性使得神经网络能够模拟数十个、数百个或数千个变量之间极其复杂的关系。
• 我们使用激活函数来解释变量之间关系的非线性。
• 梯度下降用于识别和最小化神经网络中的损失，其工作原理类似于滚下丘陵和山谷的球。
• 一旦确定了损失，通过反向传播使损失最小化;输出层的错误通过微积分中的链式法则向后传播，从而调整每一层的权重和偏差。

你绝对是个传奇。我没有耐心读完所有的东西(考虑到是我写的，这很有趣)。你真棒!

更重要的是，现在除了导入TensorFlow之外，您对神经网络如何工作有了更直观的理解。

我希望您学到了一些有价值的东西，我们下一篇文章再见!

（编辑：核心网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!