神经网络反向传播和偏差

Question

我很难构建好的神经网络教学算法，因为有一些手动操作。首先要做的事情：我的目标是教授 nn xor 函数，我使用 sigmoid 作为激活函数和简单的梯度下降。前馈很容易，但反向传播在某种程度上令人困惑 - 大多数算法描述的常见步骤是： 1. 计算输出层的误差。 2. 将此错误传播到关于权重的隐藏层 3. 更新突触权重

所以我的问题： 1. 是否也应该更新偏见，如果是，如何更新？目前我随机选择偏差 [0.5;1]？ 2. 可以在第 2 步中更新权重吗？ 3. 我的方法假设 nn 中的第一层是带有神经元的输入层。那么这一层的哪些值必须更新呢？只有将输入层连接到第一个隐藏层的突触的权重？

Answer 1

偏见也应该更新。将偏差视为激活 1 的权重。

反向传播步骤应包括权重更新。这就是这一步的目的。

第一层是术语问题。通常输入被建模为一个层。然而，这是输入=激活的特殊情况。输入本身没有权重。权重是与下一层的连接。该层与其他层没有什么不同。