我试图了解神经网络，但在线提供的材料非常密集，我只是想了解在这个特殊的简单案例中会发生什么。这将有助于我使用隐藏层进行更复杂的事情。
我们说我有2个输入，1个输出，之后没有隐藏。输入和输出都是实值的。我使用sigmoid函数$ \ frac {1} {1 + e ^ { - x}} $。
假设我得到一个给定权重W1和W2的A输出，但我想要输出B.我需要根据错误更改权重。
更新后每个权重的明确变化是什么？
我已经使用sigmoid函数的衍生物在网上看到了解释，但我不知道它来自何处。我发现错误计算为$ \ frac {1} {2}（A-B）^ 2 $，有时候只是$ A-B $。这令人困惑。
（刚刚意识到stackoverflow上没有MathJax。希望你仍然可以阅读它。）
更新：我可能已经弄清楚了，所以如果有人能证实这一点，那就太好了。
新W1 = W1 + n *（X1）*（W1）* d *（e ^ x）/（e ^ x + 1）^ 2 其中n是学习率，X1是第一个输入，X2是第二个输入，d是误差，或B-A。 x = W1X1 + W2X2，最后的函数是sigmoid函数的导数。另一个重量是相似的： 新W2 = W2 + n *（X2）*（W2）* d *（e ^ x）/（e ^ x + 1）^ 2
（输入这种表示法很糟糕。）
这一切都正确吗？
答案 0 :(得分：0)
是的，这是正确的。这种情况的完整推导在这里给出：http://en.wikipedia.org/wiki/Backpropagation#Derivation
你的公式对应于第一种情况＆＃34;如果j是输出神经元＆＃34 ;;你用phi（x）= 1 /（1 + e ^ -x）简化了phi（x）（1-phi（x））=（e ^ x）/（e ^ x + 1）^ 2。