前言

从现在开始进入神经网络的领域了

正文

先是一段历史介绍,这个就跳过吧,我觉得这里最重要的就是反向传播这里

反向传播

反向传播（Backpropagation）是一种训练人工神经网络的算法，它通过计算损失函数关于网络参数的梯度来调整网络参数，以减少预测误差。反向传播算法通常与梯度下降法结合使用，以优化网络的权重。

反向传播算法的工作原理可以概括为以下几个步骤：

1. 前向传播：输入样本通过网络，计算每个神经元的输出，直到最后一层。在输出层，计算预测值与实际值之间的误差。

2. 计算误差：使用损失函数（如均方误差、交叉熵等）计算预测值和实际值之间的差异。

3. 反向传播误差：从输出层开始，逆向计算每一层的误差贡献，即计算损失函数对每个权重的梯度。

4. 更新权重：使用梯度下降法或其他优化算法，根据计算出的梯度调整每个权重。

下面是一个简单的反向传播计算例子，考虑一个具有单个输入、单个隐藏层（两个神经元）和单个输出的神经网络。假设激活函数为Sigmoid函数，损失函数为均方误差（MSE）。

网络结构如下：

输入层 -- 隐藏层 -- 输出层

网络参数：

• 输入到隐藏层的权重：w1, w2
• 隐藏层到输出层的权重：w3, w4
• 隐藏层和输出层的偏置：b1, b2

Sigmoid函数定义为：

σ(z) = 1 / (1 + e^(-z))

Sigmoid函数的导数为：

σ'(z) = σ(z) * (1 - σ(z))

计算步骤如下：

1. 前向传播：

   • 隐藏层输入：net_h1 = w1 * x + b1, net_h2 = w2 * x + b2
   • 隐藏层输出：out_h1 = σ(net_h1), out_h2 = σ(net_h2)
   • 输出层输入：net_o = w3 * out_h1 + w4 * out_h2 + b2
   • 输出层输出：out_o = σ(net_o)

2. 计算误差：

   • 假设实际输出为y，则损失L = 0.5 * (y - out_o)^2

3. 反向传播误差：

   • 输出层误差：δ_o = -(y - out_o) * σ'(net_o)
   • 隐藏层误差：δ_h1 = w3 * δ_o * σ'(net_h1), δ_h2 = w4 * δ_o * σ'(net_h2)

4. 计算梯度：

   • 对于每个权重和偏置，计算损失函数的梯度：
     • dw3 = δ_o * out_h1
     • dw4 = δ_o * out_h2
     • db2 = δ_o
     • dw1 = δ_h1 * x
     • dw2 = δ_h2 * x
     • db1 = δ_h1 + δ_h2

5. 更新权重：

   • 使用梯度下降法更新权重和偏置：
     • w1 = w1 - α * dw1
     • w2 = w2 - α * dw2
     • w3 = w3 - α * dw3
     • w4 = w4 - α * dw4
     • b1 = b1 - α * db1
     • b2 = b2 - α * db2

其中α是学习率。

这个过程会重复进行，每次迭代都会使神经网络的预测更接近实际值。这个例子是简化版的反向传播，实际应用中的网络可能包含多个隐藏层，每层有多个神经元，处理起来会更加复杂。

下面还是给一个计算例子吧:

然后这里

我们需要的是x,y,z对于最终f函数的偏导数

但是我们现在只有x,y对于加号,也就是q的倒数,然后我们还有对于q的偏导,当然这里的话z已经可以直接求出偏导了

然后这里用一个链式求导法则就完事了

然后就求出来了!