标签：使用 tps 推导 图片 log 解决 cal char 向量
一、MSE 损失函数推导
前向传播过程：
梯度反向传播公式推导：
定义残差：
则
残差推导如下：
对于最后一层：
广义上，左边项（-（···））是定义的损失函数对其输入（即最后一层神经元值）的导数，右项是sigmoind求导，这两项都是根据实际使用可以替换的。
对于隐藏层：
若去掉下标i，则有
其中的操作是把两个向量对应元素相乘组成新的元素。
参考：
https://www.cnblogs.com/nowgood/p/backprop2.html
https://zhuanlan.zhihu.com/p/25416673
二、交叉熵损失函数推导
只放出最后一层残差：
参考：https://blog.csdn.net/Charel_CHEN/article/details/81266838
三、二元交叉熵损失梯度推导
参考：https://blog.csdn.net/chansonzhang/article/details/84674144
四、L2正则化以及反向传播
参考：https://blog.csdn.net/obrightlamp/article/details/85290929
五、CNN反向传播算法总结
注释：CNN反向传播主要解决四个问题
一二问对应步骤d-3，三问对应步骤d-2，四问对应步骤2-2-2.
具体推导细节请移步：https://www.cnblogs.com/pinard/p/6494810.html
标签：使用 tps 推导 图片 log 解决 cal char 向量
原文地址：https://www.cnblogs.com/CJT-blog/p/10419523.html
