也许这是一个愚蠢的问题，但这种怀疑实际上是禁止我理解反向传播。
所以我正在阅读并试图理解Backpropagation维基百科的文章。它表明差异是E=(t-y)^2，然后是：
然而，神经元的输出取决于其所有输入的加权和：
y=x1w1 + x2w2
不应该y=phi(x1w1 + x2w2)吗？
如果y = phi(x1w1 + x2w2)不是差异与权重的关系图，它应该是一个阶梯函数，其中一个权重部分返回最小值而其余部分不返回（因为某些权重组合返回） 0和另一个1，其中只有一个答案是正确的）
答案 0 :(得分：1)
好的，我理解你为什么这么想，但是＆＃39; y＆＃39;是输入和输出只取决于它，如果你想找到输出，它很简单，你只需要通过激活函数phi应用它，在这种情况下我认为我们应该使用phi因为逻辑函数（S形曲线）使我们在绘制代表随时间变化的图形的图形时更容易理解。
那么让我们来看看你所说的功能，y = phi（x1w1 + x2w2），我们知道phi = 1 /（1 + e ^（ - z）），所以我们可以混合两个方程以找到输出（o）： o = 1 /（1 + e ^（ - （x1 * w1 + x2 * w2）））。
完美，现在如果你想发现这是一个阶梯函数，我们可以应用一些微积分并使用连续性定理。
如果需要，激活功能是可区分的（这是一个持续的功能），以确保您可以找到错误的偏导数。并且知道这一点，我们可以说因为phi是连续的并且（x1 * w1 + x2 * w2）是一个多项式函数（也是继续），我们的最终函数＆＃39; o＆＃39;这是一个持续的功能。