我是神经网络的新手，我的任务是在 python 中创建自己的神经网络。到目前为止，我已经设法创建了具有自己的权重、输出和导数的层。我目前正在研究反向传播过程，但遇到了一些麻烦。这是我的算法的当前逻辑。在图片中，假设 '*' 是像 np.multiply 一样的元素乘法。 ydtf 是每一层的每个节点的导数，权重是每个节点从它之前的层接收的权重连接。如果转置错误，我很抱歉。
事实证明，我发现了为什么我的反向传播维度是错误的：
问题是，这个逻辑正确吗？如果没有，我该怎么做才能完全自动化反向传播？这个过程是否依赖于每层有多少节点之间的比较？
【问题讨论】：
标签： python matrix neural-network backpropagation
您的问题是指反向传播，但您似乎是在描述前向传播，（如果这是一个错误，请查看我的答案底部以获取更多详细信息）。
假设我们有一个具有 5 个输入节点、3 个神经元节点和 1 个输出节点的神经网络。所有这些节点都用权重（线）连接。
要为神经元数组创建矩阵，我们必须遍历网络中的每个神经元。我们以 N 0 为例。
N 0 的等式将是 N0 = (I 0 * W 0 ) + (I1 * W 1) + (I2 * W 2) + (I3 * W 3) + (I4 * W 4).
这是我可以用方程式表示它的最简单方法。最简单的说法是 - 下一个矩阵的值等于进入该神经元的所有权重和输入的总和。
请记住，这只是一个简单的方程，不包括任何类型的偏差或激活函数等。
你的问题不是很清楚，所以我可能误解了你所说的。如果我的回答没有纠正您的问题，请查看我之前的一些回答，这可能会有所帮助。
Does Back Propagation and Gradient Descent use the same logic?
How does the Gradient function work in Backpropagation?
我希望这些回答能回答您的问题，祝您有美好的一天！
【讨论】：