基于 MNIST 数据集，先手动实现一个完整的多分类神经网络（前向/反向/参数更新），再用 PyTorch 的 nn.Module/CrossEntropyLoss/SGD 重写，对比两者理解框架帮我们做了什么
标签：反向传播
共 3 篇相关内容，按发布时间排列。
手动推导多分类神经网络（交叉熵 + Softmax）的反向传播过程，理解 δ（loss 对 logits 的偏导）在各层间传递的规律，以及单样本与批量数据的公式差异
矩阵计算、激活函数、softmax多分类与反向传播
共 3 篇相关内容，按发布时间排列。
基于 MNIST 数据集，先手动实现一个完整的多分类神经网络（前向/反向/参数更新），再用 PyTorch 的 nn.Module/CrossEntropyLoss/SGD 重写，对比两者理解框架帮我们做了什么
手动推导多分类神经网络（交叉熵 + Softmax）的反向传播过程，理解 δ（loss 对 logits 的偏导）在各层间传递的规律，以及单样本与批量数据的公式差异
矩阵计算、激活函数、softmax多分类与反向传播