标签：图片 跟踪 兴趣 mamicode sof .com block nbsp 个数
注意：
1.每次更新，都要进行一次完整的forward和backward，想要进行更新，需要梯度，所以你需要前馈样本，马上反向求导，得到梯度，然后根据求得的梯度进行权值微调，完成权值更新。
2.前馈得到损失，反馈得到梯度，对梯度的使用来完成权值更新。
3. 训练的过程，前馈，反馈，更新；......
我们需要进行向量处理，网络中流动的数据并不是标量，全是向量，局部梯度原本是标量，现在它们是雅可比矩阵(雅可比矩阵类似于多元函数的导数,函数的一阶偏导数以一定方式排列成的矩阵)，
雅可比矩阵是二维矩阵，表示x中每个元素对z中每个元素的影响，这些由雅可比矩阵存储，梯度和以前一样。
dL/dz是一个向量，dz/dx是雅可比矩阵(局部梯度)，最终得到了一个矩阵和向量的乘积，来表示梯度的反向传播。
雅可比矩阵可不要求出：
雅可比矩阵是一个4096*4096的矩阵，但只有在对角线才有值，进行的是单个元素的操作，对角线不全为1，小于0的数据要提升为0，所以对角线的1被取代0，求出雅可比矩阵不可取，也不会真的矩阵和向量相乘。
因为矩阵有特殊结构，可以进行利用，因为你只需要观察那些小于0的输入，然后将这些维度上的梯度置0，你从这得到输出梯度，对于小于0的数将梯度置0，继续反向传播。
最终输出的是一个数求得损失函数，我们对分别计算梯度感兴趣，如果我们有多重输出，在反向传播中，必须同时对所以梯度的流向进行跟踪，最终的损失是一个标量。
在进行mini-batch时候，每个样例都是独立的，只是同时进行传播。雅可比矩阵非常大，利用稀疏性。
层与层之间连接通过向量的传递完成，传递的n维数组，数组在各层之间传递。
(Review cs231n) Gradient Vectorized
标签：图片 跟踪 兴趣 mamicode sof .com block nbsp 个数
原文地址：https://www.cnblogs.com/ChenKe-cheng/p/10523596.html
