我是张量流的初学者，我想实现MLP并基于反向传播算法训练它但是当我阅读教程时，我发现它使用了像“随机梯度下降”这样的选择器，并称之为反向传播，而没有实现算法阶段。这种反向传播怎么样？
答案 0 :(得分：1)
通常，您首先使用这些优化器来定义损失函数，然后在其上调用优化程序.optimize：
loss = some_loss(predicted_outputs, true_outputs)
optimizer = tf.train.GradientDescentOptimizer(learning_rate)
train_op = optimizer.minimize(loss)
现在，执行sess.run(train_op)将在权重渐变的方向上迈出一步，以尽量减少损失。
答案 1 :(得分：0)
我认为这可能有所帮助：
在[18]中，两种通过a传播梯度的方法 描述了计算图。第一，作者提到 作为符号到数字的区分，接收一组输入 值然后计算渐变的数值 那些输入值。它通过显式遍历图表来实现 首先在前向顺序（前向传播）中计算成本， 然后以相反的顺序（反向传播）来计算梯度 链规则。另一种与TensorFlow更相关的方法是什么 [18]称符号到符号的衍生物和[8]术语是自动的 梯度计算。在这种情况下，渐变不是由a计算的 显式实现反向传播算法。相反， 特殊节点被添加到计算图形中以计算 每个操作的梯度，从而最终是链规则。至 执行反向传播，然后必须简单地执行这些节点 与图形评估引擎的任何其他节点一样。就这样，这个 方法不会产生所需的导数作为数值， 但仅作为计算这些值的符号句柄。