
上QQ阅读APP看本书,新人免费读10天
设备和账号都新为新人
1.3.3 计算输出层的值
到目前为止,我们已经算出了应用Sigmoid(S型)激活后的最终隐藏层值。使用激活后的隐藏层值,以及权重值(在第一次迭代中随机初始化),现在将计算出网络的输出值,如图1-12所示。

图1-12
我们使用隐藏层值和权重值的乘积和来计算输出值。另外注意,这里排除了需要在每个单元(节点)上添加的偏置项,只是为了简化目前对前向传播和反向传播工作细节的理解,但将其包含在前向传播和反向传播的编码中:

因为我们从一个随机权重集合开始,所以输出节点的值与目标节点的值非常不同。在本例中,差为1.235(记住,目标为0)。在下一节中,我们将学习如何计算与当前网络状态相关的损失值。