Machine learning 为什么我们必须在应用梯度下降之前反向传播误差？_Machine Learning_Neural Network_Backpropagation

Machine learning 为什么我们必须在应用梯度下降之前反向传播误差？

machine-learning neural-network

Machine learning 为什么我们必须在应用梯度下降之前反向传播误差？,machine-learning,neural-network,backpropagation,Machine Learning,Neural Network,Backpropagation,当我看这些笔记时：我对第四步感到困惑。当梯度下降法已经计算出误差时，我们为什么要单独计算误差呢。那么，我们不是要计算两次反向传播误差吗谢谢错误不会计算两次。例如，在我的实现中，在步骤4中，我将对应于神经元的错误存储在与该神经元相关联的变量中。在步骤5中，我使用这个变量来计算梯度并更新权重我的实现需要检查神经元两次，步骤4和步骤5。但似乎可以只回顾一次，将神经元的误差反向传播，并在同一循环迭代中计算梯度。在更新权重之前要小心反向传播错误，因为旧权重用于计算前一层神经元的错误。我真的很想知道

当我看这些笔记时：

我对第四步感到困惑。当梯度下降法已经计算出误差时，我们为什么要单独计算误差呢。那么，我们不是要计算两次反向传播误差吗

谢谢

错误不会计算两次。例如，在我的实现中，在步骤4中，我将对应于神经元的错误存储在与该神经元相关联的变量中。在步骤5中，我使用这个变量来计算梯度并更新权重

我的实现需要检查神经元两次，步骤4和步骤5。但似乎可以只回顾一次，将神经元的误差反向传播，并在同一循环迭代中计算梯度。在更新权重之前要小心反向传播错误，因为旧权重用于计算前一层神经元的错误。

我真的很想知道这些下行投票的原因我不是下行投票人，但是这看起来像Backprop是梯度计算的过程。反向传播是计算梯度的好方法，梯度下降使用这些梯度进行优化过程。你的反对票可能是因为这个误会。