Machine learning 反向传播：何时更新权重？

你能帮我学一下神经网络吗

如果我有任意数据集：

+---+---------+---------+--------------+--------------+--------------+--------------+
| i | Input 1 | Input 2 | Exp.Output 1 | Exp.Output 2 | Act.output 1 | Act.output 2 |
+---+---------+---------+--------------+--------------+--------------+--------------+
| 1 |   0.1   |   0.2   |      1       |      2       |      2       |       4      |
| 2 |   0.3   |   0.8   |      3       |      5       |      8       |      10      |
+---+---------+---------+--------------+--------------+--------------+--------------+

假设我有x个隐藏层，每个层有不同数量的神经元和不同类型的激活函数

运行反向传播（尤其是iRprop+）时，何时更新权重？在计算数据集中的每一行之后，是否更新它们

我曾读到，批量学习通常不如在线培训有效。这意味着最好在每行之后更新权重，对吗

我是否理解正确：历元是指在输入数据集中的每一行中循环？如果是这样的话，那就意味着在一个历元中，权重将更新两次

那么，下面所示的总网络错误在哪里起作用

[，from.]

tl；博士：

---

请帮助我理解backprop是如何工作的

通常，您会在数据集中的每个示例之后更新权重，我假设这就是您所说的每一行的意思。因此，对于每个示例，您将看到神经网络认为输出应该存储过程中每个神经元的输出，然后反向传播错误。因此，从最终输出开始，将ANN的输出与数据集所说的实际输出进行比较，并根据学习率更新权重

---

学习率应该是一个小常数，因为您正在为每个示例校正权重。一个历元是数据集中每个例子的一次迭代。

Yep，每行，我指的是每个例子。在这里的简单数据集中，我有两个例子？因此，每个历元，权重将被更新n次，n=示例数，对吗？如果我更新每行的权重，并且我想要绘制网络的误差，那么我可以看到误差降低，希望我绘制的是哪个误差？每个例子的误差是多少？你可以把每个历元的误差平均起来，看看总的趋势。