本文介绍: 上一节介绍了训练和推理的概念，这一节接着训练和推理的概念讲一下，神经网络的正向传播和反向传播。其实单看正向传播和反向传播这两个概念，很好理解。（Forward Propagation）是指从输入层到输出层的数据流动过程，而反向传播（Backpropagation）是指数据从输出层到输入层的反向过程。正常情况下，利用神经网络推理一张图片，数据从神经网络的输入层一直流到输出层就可以得到结果，这是典型的正向传播过程，因此在推理过程中只有正向传播。
上一节介绍了训练和推理的概念，这一节接着训练和推理的概念讲一下，神经网络的正向传播和反向传播。
正向传播（Forward Propagation）是指从输入层到输出层的数据流动过程，而反向传播（Backpropagation）是指数据从输出层到输入层的反向过程。
正常情况下，利用神经网络推理一张图片，数据从神经网络的输入层一直流到输出层就可以得到结果，这是典型的正向传播过程，因此在推理过程中只有正向传播。
那反向传播是用在什么地方呢？没错，是训练。
上一节举了个例子，训练的过程就好像我们在初中高中学习课本知识一样，不断的校正我们大脑中对于知识的理解。
因此训练的过程也需要有一个不断反馈，不断校正的过程，在神经网络中用于校正的参数被称为权重，比如卷积的卷积核的参数。
还记得之前在讲传统计算机视觉的时候讲到的均值滤波器吗？均值滤波器中的参数都是1的，可以完成对噪声的均匀滤除。
而神经网络中卷积核的参数是不确定的，我们没有办法来设计，只能让神经网络自己去学习，自己不断的调整。
原文地址:https://blog.csdn.net/dongtuoc/article/details/134745627
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若转载，请注明出处：http://www.7code.cn/show_25622.html
如若内容造成侵权/违法违规/事实不符，请联系代码007邮箱：suwngjj01@126.com进行投诉反馈，一经查实，立即删除！
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
