深度学习那些事 —前馈计算

在这里先介绍一下小编，现在是研究生一年级，目前研究方向是深度学习，接下来的这段时间由他向大家分享深度学习相关的内容，分享的都是干货。

要解决的问题

首先给了六个样本，六个样本都包括汽车的排量和轴距，分清豪华车和普通车。输入层和输出层分别为两个节点，输入层两个节点是排量和轴距，输出层两个节点是豪华车和普通车。这是一个二分类问题，其实输出层使用一个节点就可以完成，为了讲反向传播时候更加通用，易懂。

问题的符号描述

模型结构：在输入x和y的时候通过对应的权重计算，得到hi，通过隐含层再通过权重加一个偏置进行加权和得到yi，隐含层一定要有**函数，sig()函数。

每个训练数据包括x和y，x：特征值，y：标签。x就是轴距和排量，y就是豪华车和普通车。

我们看这个，hi表示要算第i个隐含层节点的具体的值，外边有sig()**函数，他是隐含层，是从输入层来的，所以权重首先是第一层权重，w的上标都是1，下标的i指的是上层节点的索引，因为是和x1相乘，所以右边是1，类似的x2，第二个权重下标的右边是2，最后加上偏置，yi是隐含层到输出层，剩下的符号上面的标记和上边类似。通过这些最终得到的是yi，就是预测值，有了yi之后根据答案就能算出损失函数。这里边的参数包括4部分，两个矩阵两个向量。第一层和第二层的权重和向量。

前馈计算

现在有一个问题请大家思考一下。

训练数据有了，有了数据怎么算？

这个模型有了，我们要先初始化模型参数，为了更好的理解，将前馈计算公式简写成为sig(neti^h)，h表示层数，sig(neti^y)表示输出层，neti^h表示隐含层第i个节点**之前的那个值，neti^y指的是输出层第i个节点**之前的值。

前馈计算流程图

上面显示的是从输入层到隐含层的流程

前馈计算计算结果流程图

总结一下

前馈计算：给出输入计算输出

根据计算得到的输出值和标签计算损失函数

在这部分讲的是前馈计算，特意将前馈计算的符号说明了一下，在后续更新的文章反向传播中，要时刻记住这些符号标记。从输入到输出，进一步得到损失函数，这个损失函数是反向传播的源头，误差的源头。