我如何改变这个简单神经网络中的权重？
How do I alter the weights in this simple neural network?
我正在尝试学习神经网络，但在线提供的 material 非常密集，我只想了解在这个特殊的简单案例中会发生什么。这将帮助我转向更复杂的隐藏层。
假设我有 2 个输入，1 个输出，以后没有隐藏。输入和输出都是实数值。我使用 sigmoid 函数 $\frac{1}{1+e^{-x}}$。
假设我得到了一些给定权重 W1 和 W2 的输出 A，但我想要 B 的输出。我需要根据错误更改权重。
每个权重在更新时明确更改为什么？
在网上看到过使用sigmoid函数的导数的解释，不知道从哪里来的。我见过错误计算为 $\frac{1}{2}(A-B)^2$，有时只是 $A-B$。令人困惑。
（刚刚意识到 Whosebug 上没有 MathJax。希望您仍然可以阅读它。）
更新：我可能已经明白了，所以如果有人能证实这一点，那就太好了。
新的W1 = W1 + n * (X1) * (W1) * d * (e^x) / (e^x+1)^2
其中 n 是学习率，X1 是第一个输入，X2 是第二个输入，d 是误差，或 B-A。 x=W1X1 + W2X2，最后的函数是sigmoid函数的导数。其他权重类似：
新的 W2 = W2 + n * (X2) * (W2) * d * (e^x) / (e^x + 1)^2
（输入这个符号太可怕了。）
这一切都正确吗？
是的，这是正确的。此处给出了此案例的完整推导：http://en.wikipedia.org/wiki/Backpropagation#Derivation
你的公式对应第一种情况"if j is an output neuron"；你用 phi(x) = 1/(1+e^-x).[=11 简化了 phi(x) (1-phi(x)) = (e^x) / (e^x+1)^2 =]
我正在尝试学习神经网络，但在线提供的 material 非常密集，我只想了解在这个特殊的简单案例中会发生什么。这将帮助我转向更复杂的隐藏层。
假设我有 2 个输入，1 个输出，以后没有隐藏。输入和输出都是实数值。我使用 sigmoid 函数 $\frac{1}{1+e^{-x}}$。
假设我得到了一些给定权重 W1 和 W2 的输出 A，但我想要 B 的输出。我需要根据错误更改权重。
每个权重在更新时明确更改为什么？
在网上看到过使用sigmoid函数的导数的解释，不知道从哪里来的。我见过错误计算为 $\frac{1}{2}(A-B)^2$，有时只是 $A-B$。令人困惑。
（刚刚意识到 Whosebug 上没有 MathJax。希望您仍然可以阅读它。）
更新：我可能已经明白了，所以如果有人能证实这一点，那就太好了。
新的W1 = W1 + n * (X1) * (W1) * d * (e^x) / (e^x+1)^2 其中 n 是学习率，X1 是第一个输入，X2 是第二个输入，d 是误差，或 B-A。 x=W1X1 + W2X2，最后的函数是sigmoid函数的导数。其他权重类似： 新的 W2 = W2 + n * (X2) * (W2) * d * (e^x) / (e^x + 1)^2
（输入这个符号太可怕了。）
这一切都正确吗？
是的，这是正确的。此处给出了此案例的完整推导：http://en.wikipedia.org/wiki/Backpropagation#Derivation
你的公式对应第一种情况"if j is an output neuron"；你用 phi(x) = 1/(1+e^-x).[=11 简化了 phi(x) (1-phi(x)) = (e^x) / (e^x+1)^2 =]