S 型激活 MLP 的权重学习规则中未显示 Delta 分量
Delta component doesnt show in weight learning rule of sigmoid activation MLP
作为概念的基本证明，在 class 将 K classes 与输入 x、偏置 b、输出 y、S 个样本、权重 v 和 t 教师信号相结合的网络中，其中如果匹配样本小于 k class.
，则 t(k) 等于 1
令 x_(is) 代表第 s_(th) 个样本中的第 i_(th) 个输入特征。
v_(ks) 表示向量，该向量保存连接到第 s_(th) 个样本中所有输入的 k_(th) 个输出的权重。
t_(s) 表示 s_(th) 个样本的教师信号。
如果我们扩展上述变量以考虑多个样本，则必须在声明变量 z_(k)、激活函数 f(.) 并使用交叉熵作为成本函数时应用以下更改：
Derivation
通常在学习规则中，delta ( t_(k) - y_(k) ) 总是包含在内，为什么 Delta 没有出现在这个等式中？我是不是错过了什么，或者出现的增量规则不是必须的？
我设法找到了解决方案，当我们考虑其中的 Kronecker delta 时很明显（如果 class 匹配 class 则 δck = 1，否则 δck）。这意味着推导采用这种形式：
这导致了增量规则。
作为概念的基本证明，在 class 将 K classes 与输入 x、偏置 b、输出 y、S 个样本、权重 v 和 t 教师信号相结合的网络中，其中如果匹配样本小于 k class.
，则 t(k) 等于 1
令 x_(is) 代表第 s_(th) 个样本中的第 i_(th) 个输入特征。 v_(ks) 表示向量，该向量保存连接到第 s_(th) 个样本中所有输入的 k_(th) 个输出的权重。 t_(s) 表示 s_(th) 个样本的教师信号。
如果我们扩展上述变量以考虑多个样本，则必须在声明变量 z_(k)、激活函数 f(.) 并使用交叉熵作为成本函数时应用以下更改： Derivation
通常在学习规则中，delta ( t_(k) - y_(k) ) 总是包含在内，为什么 Delta 没有出现在这个等式中？我是不是错过了什么，或者出现的增量规则不是必须的？
我设法找到了解决方案，当我们考虑其中的 Kronecker delta 时很明显（如果 class 匹配 class 则 δck = 1，否则 δck）。这意味着推导采用这种形式：
这导致了增量规则。