计算机视觉（二）

最新推荐文章于 2023-06-06 14:32:34 发布

yeyustudy

最新推荐文章于 2023-06-06 14:32:34 发布

阅读量354

点赞数

CC 4.0 BY-SA版权

分类专栏：人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/yeyustudy/article/details/82318234

人工智能专栏收录该内容

34 篇文章

订阅专栏

本文详细介绍了反向传播的原理与应用，通过计算图解释了如何利用链式法则高效计算梯度，并阐述了梯度与权值矩阵的关系。同时，文章还对比了卷积层与全连接层的特点，强调了卷积层在处理图像数据时的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

反向传播

1、实质就是一个利用链式法则求梯度的过程，在实际中，参数的计算会及其复杂，此时如果利用公式来计算梯度非常麻烦，所以可以利用反向传播，所谓的反向传播，其实可以利用计算图来解释，当进行前向传播时，我们将每一步的结果进行存储，进行反向传播时，我们只需要利用链式法则计算每一步的梯度即可，这样可以利用原来存储的前向传播的值，一直将所有的梯度计算出来。
这里写图片描述
2、梯度与权值矩阵的大小相同，这是因为梯度本身就是权值对结果的贡献的量化。

卷积

1、卷积层与全连接层的不同在于它能够保存图片的结构，而不是展成一个向量。

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。