深度学习的数学原理
在网络中，假定输入为X，输出为Y，其网络结构的参数为W和b,每次训练的损失函数为L(w,b),Cost函数J(w,b)
则：Y= W*X+b
也就是W和b与网络模型的好坏的直接相关；同时训练就是训练的W和b参数让J最小
参数修正
TF图：
在tf中存在计算图的前向传导和BP（后向传导）修正参数，假定计算：F(a,b,c) = 3(a+bc)
d代表计算梯度，则：
由上图知：计算图是从前向后计算，而计算梯度则是从后向前计算（故叫BP）。
在网络中，假定输入为X，输出为Y，其网络结构的参数为W和b,每次训练的损失函数为L(w,b),Cost函数J(w,b)
则：Y= W*X+b
也就是W和b与网络模型的好坏的直接相关；同时训练就是训练的W和b参数让J最小
在tf中存在计算图的前向传导和BP（后向传导）修正参数，假定计算：F(a,b,c) = 3(a+bc)
d代表计算梯度，则：
由上图知：计算图是从前向后计算，而计算梯度则是从后向前计算（故叫BP）。