卷积层back propagation公式的推导
来源:互联网 发布:python开源软件 编辑:程序博客网 时间:2024/04/28 19:50
f是激活函数,a是激活函数的输入,z是激活函数的输出,W是滤波器系数,b是偏置
显然有:
(1)
(2)
k是滤波器输出通道数,c时输入的feature map通道数(输入通道数),i,j,s,t都是二位坐标的index
每一层输出(未通过激活函数前)处的反向传播误差:
(3)
首先推导反向传播误差的递推公式
(4)
注意: a)(1)中的前向公式事实上不是卷积,做的是相关运算。(4)中的反向公式才做的是卷积。
b) (4)中,k‘ 实际上变为反向传播时的输入通道数,k变为输出通道数。delta 变为反向传播时 输入的feature map
下面推导cost相对于W,b的梯度公式
(5)
(6)
0 0
- 卷积层back propagation公式的推导
- 在训练CNN的时候,各层back propagation的递推公式
- Back Propagation算法推导过程
- Neural Network中的Back-Propagation的详细推导过程
- 二维随机变量函数卷积公式的推导
- 对反向传播算法(Back-Propagation)的推导与一点理解
- 对反向传播算法(Back-Propagation)的推导与一点理解
- 卷积神经网络的原理公式推导与实现
- 神经网络BP推导及caffe中卷积层的实现
- 卷积神经网络反向BP算法公式推导
- 如何直观的解释back propagation算法?
- CNN卷积层相关计算公式
- BP(Back Propagation)
- Back-Propagation Neural Networks
- Back Propagation in BPNeuralNetwork
- BP(Back Propagation)
- How back-Propagation works
- 8. back propagation
- 使用位图字体工具BMFont从图片生成自定义字体
- 规则 4.10:注释与相应的代码具有同样的缩进。
- mysql优化经验之where order by
- 数组与链表
- 使用hive来分析json格式数据
- 卷积层back propagation公式的推导
- 基础数据类型及其包装类
- Core Data入门
- 5.2、双缓冲绘图
- C#字符串集锦(累积中……)
- Android LCD(一):LCD基本原理篇
- Docker:设置代理proxy
- java基础-static关键字
- jsp - jsp引入jsp和通过ajax引入jsp