Algorithm 如何最小化此函数并将其应用于反向传播算法

我现在正在研究挖掘数据的反向传播算法。我试图将相关论文中的几个算法应用到我的案例中。 在这里，我发现，其中一人说“应用反向传播算法更新权重（w，v）并最小化以下函数”：

θ（w，v）=F（w，v）+p（w，v）

其中F（w，v）是交叉熵函数，p（w，v）是惩罚项。 我不明白这是什么意思，因为我发现编程术语中的“最小化”有几个含义

请给我一些建议，我应该如何使用该函数，以及如何将其应用到反向传播中

---

谢谢。

Backprop是一种计算损失函数wrt的导数/梯度的算法。神经网络的权值。当与优化算法（通常为梯度下降法或共轭梯度法，尽管也使用其他算法）相结合时，它可用于找到使训练集上的损失函数最小化的NN权重

也就是说，建议通过最小化正则交叉熵损失来训练神经网络。这就是通常所说的“训练”神经网络进行分类的意思，也是许多神经网络库/工具包实际做的事情

（当然，如果p是一些非标准惩罚项，您可能需要自己实现backprop或找到一个可扩展的工具包；不可微惩罚项也可能需要更改优化算法。）