美文网首页
深度学习过程反向传播有关sigmoid的求导

深度学习过程反向传播有关sigmoid的求导

作者: 在做算法的巨巨 | 来源:发表于2018-11-07 18:13 被阅读0次

在深度学习的反向传播过程中，我们需要对激活函数进行求偏导，这里写一点如果激活函数是sigmoid函数时的推导过程。

Flow chart(Forward propagation)

input --> w_i --> h_i --> y_i=sigmoid(h_i) --> Error=\frac{1}{m}\sum^{m}_{i=1}(y_i-t_i)^2

Flow chart(Backward propagation)

output <-- w_i <--------------------------- \frac{\delta Error}{\delta w}

在经历一次前向传播后，我们会得到一个输出yi，同时我们回得到一个MSE作为与我们目标的误差反馈。深度学习中我们会对误差进行w的偏导，然后对w进行更新，这个步骤和梯度下降法的参数更新是一个原理。

\frac{\delta Error}{\delta w_i} = \frac{\delta Error}{\delta y_i} * \frac{\delta y_i}{\delta h_i} * \frac{\delta h_i}{\delta w}

其中，

\frac{\delta Error}{\delta y_i} = \frac{2}{m}(y_i - t_i)

\frac{\delta y_i}{\delta h_i} = \frac{\delta (\frac{1}{1+e^{-h_i}})}{\delta h_i} = \frac{e^{-h_i}}{(1+e^{-h_i})^2} = \frac{1+e^{-h_i}-1}{(1+e^{-h_i})^2} = \frac{1}{1+e^{-h_i}} - \frac{1}{(1+e^{-h_i})^2}

这里，y_i = sigmoid(h_i) = \frac{1}{1+e^{-h_i}}

所以，\frac{\delta y_i}{\delta h_i} = y_i - y_{i}^{2} = y_i(1-y_i)

又 h_i = b+\sum_{i=1}^{m}w_i*x_i
\frac{\delta h_i}{\delta w} = x_i

综上，\frac{\delta Error}{\delta w_i} = \frac{2}{m}(y_i - t_i)*y_i(1-y_i)*x_i

最后更新w_i, w_i = w_i - \alpha \frac{\delta Error}{\delta w_i}, \alpha是学习率。

相关文章

网友评论

      本文标题：深度学习过程反向传播有关sigmoid的求导

      本文链接：https://www.haomeiwen.com/subject/rkwmxqtx.html

      延伸阅读

      深度阅读

      • 您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

      栏目导航

      热点阅读

      关于我们|服务条款|联系我们|深度学习过程反向传播有关sigmoid的求导|投稿指南|网站地图|RSS订阅|排版工具|手机版

      提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

      Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网 版权所有

      备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

      本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

      所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！