标签： neural-network backpropagation
在离线反向传播中，在计算每个训练样本时累积误差，并且为所有训练样例计算反向传播规则（权重修改器）中的增量。然而，该规则实际上是学习速率乘以该增量和前一层中神经元的激活函数f的输出。例如，对于神经元I和神经元J之间的权重，f确实是I的激活函数。
我不知道的是在这种情况下如何采用f的参数，因为我们正在考虑多个输入示例。它是否被视为每个输入模式的激活函数的总和？