解释反向传播算法主教码

-1

我最近完成了Coursera的吴教授的机器学习课程，但是我对理解反向传播算法有些问题。所以我尝试使用sigmoid函数读取Bishop代码进行反向传播。我搜查，发现干净的代码，其试图解释所做的反向传播，但还是有问题，理解代码解释反向传播算法主教码

任何一个可以解释我这是什么真正的反向传播吗？还解释我的代码？

here是我在github上找到的代码和我

2016-12-02 mkafiyan

之前提到你有网络的错误。反向传播的第一步是计算网络中每个神经元的一部分内疚感。您的目标是将错误描述为权重的依赖关系（您可以更改的参数）。所以backprop方程是偏导数误差/权重。

第一步：误差信号=（期望的结果 - 输出神经元的输出）x导数激活（x）其中x是输出神经元的输入。这是输出神经元的罪过的一部分。

下一步是计算隐藏单位的内疚的一部分。该步骤的第一部分是将隐藏单元与下一层单元连接的下一层x权重的误差信号的总和。其余部分是激活函数的部分推导。 error signal = sum（nextlayererror x weight）x derivationactivation（x）。

最后一步是调整权重。

WIJ = errorsignal_i X learning_rate X output_of_neuron_j

我在Matlab 执行BP的NN

2016-12-02 11:09:16 viceriel

回答