Neural network 如何计算神经网络隐藏层中神经元的目标输出？

在简单的单层网络中，很容易计算神经元的目标输出，因为它们与网络本身的目标输出相同。然而，在多层网络中，我不太确定如何计算隐藏层中每个神经元的目标，因为它们不一定与最终输出有直接联系，而且很可能不在训练数据中给出。如何找到这些价值观

如果我遗漏了一些东西，并且做得不正确，我不会感到惊讶，但我还是想知道。提前感谢您的所有意见。

摘自第18页：

计算隐藏层神经元的误差。与输出层不同，我们不能 直接计算这些（因为我们没有目标），所以我们返回传播 它们来自输出层（因此算法的名称）。这是由 从输出神经元中提取错误并通过 获取隐藏层错误的权重

或者换句话说，你没有。将激活从输入传播到输出，计算输出的错误，然后将错误从输出反向传播到输入（因此是算法的名称）

---

不幸的是，我发布的链接掉了，可以通过谷歌搜索“反向传播算法3”找到它

这是一个广泛的问题。你到底在问什么？如何计算激活？你看过反向传播算法吗？我读过的每一篇文章都对此进行了深入的探讨。长话短说：你没有。从输出节点反向传播错误。输出层的误差计算不同于隐藏层。更多如何计算学习规则中权重更新的增量。许多学习规则包含类似于

（目标输出）-（实际输出）

的内容。我只是不知道如何在隐藏层中找到目标。啊，我明白了，Carcigenicate。我知道反向传播，我只是没有完全理解这个概念，显然。@emmc_1247阅读这个pdf。这是我找到的最好的简单指南：它的部分过于简化，但它是一个很好的介绍。我粘贴的小片段中是否有足够的上下文来解释它本身的意义？这正是我所需要的。谢谢大家!@emmc_1247 Np。下载那个pdf！它每隔一段时间就会更改一次地址，因此很难重新查找。