反向传播和梯度下降是否使用相同的逻辑？答案

【问题标题】：Does Back Propagation and Gradient Descent use the same logic?反向传播和梯度下降是否使用相同的逻辑？
【发布时间】：2021-05-18 01:15:14
【问题描述】：

CNN 中使用反向传播来更新随机分配的权重、偏差和过滤器。对于值的更新，我们使用从头到尾的链式法则找到梯度并使用公式，

New Value = old value - (learning Rate * gradient)

梯度下降是一个优化器，用于优化损失函数。这里也计算梯度，公式为

New value = old value - (learning Rate * gradient)

如果我在上面给出的解释中有错误，请纠正我。

我的疑问是：

【问题讨论】：

【解决方案1】：

所以你会感到困惑，反向传播只是颠倒你移动的顺序的名称，通常在前向传播中你向前移动通过每一层，但在反向传播中你向后移动。

您可以将传播视为神经网络的引擎，在前向传播中它向前移动，在反向传播中它向后移动。引擎不做任何计算，它只用来定义你在哪一层，下一层是哪一层。

在反向传播中，您有成本函数。您可以使用的一种成本函数类型称为Gradient Descent 算法。另一种可能是Stochastic Gradient Descent 算法。这些算法用于找到调整权重的最佳值。

我希望这能解决您的问题，如果您需要更多信息，请发表评论。如果您想了解更多关于Gradient Descent 或Stochastic Gradient Descent 的详细信息，我建议您查看我之前的一些答案here 和here。

再见，祝你有美好的一天！

【讨论】：

是梯度下降、成本函数还是优化器？
@pjrockzzz 从我能找到的资源中，它是一种成本函数。还包括stochastic gradient descent。
@JamesBarnett Gradient Descent 是一个优化器，SGD 是一个随机近似值，其中我们的批量大小为 1。“成本”或“损失”函数略有不同，因为它是但绝对与优化器不同。事实上，优化器最小化的是函数，通常是一些测量，如均方误差。因此，在您链接的这些典型梯度下降图像中，成本是 y 轴，参数是我们搜索成本函数的局部最小值的 x 轴。

【解决方案2】：

反向传播是神经网络的梯度下降。梯度下降是更通用的一阶迭代优化算法来逼近可微函数。用它来训练多层神经网络（其中每一层代表一个可微函数），我们可以为这种类型的模型推导出一个更专业的算法（处理我们有隐藏单元的事实）。生成的算法称为反向传播。

在每次训练迭代显示多少数据的特定上下文中，可以在 SGD 和 GD 之间创建一个second distinction（请参阅 James Barnett 的回答），尽管我认为术语“小批量学习”是如果要将其与随机梯度下降进行对比，则更精确。

【讨论】：