在Sigmoid类的backward方法中，为什么要用来计算梯度？
在Sigmoid类的backward方法中，为什么要用yGrad.mul(y).mul(NdArray.ones(y.getShape()).sub(y))来计算梯度？
展开
收起
版权声明：本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
1
条回答
写回答
-
在Sigmoid类的backward方法中，使用yGrad.mul(y).mul(NdArray.ones(y.getShape()).sub(y))来计算梯度是因为sigmoid函数的导数为f'(x) = f(x) * (1 - f(x))，其中f(x)是sigmoid函数的输出。因此，我们需要将上一层的梯度（yGrad）与当前层的输出（y）及其补数（1 - y）相乘，以得到当前层的梯度。
2024-05-27 20:29:51赞同 1 展开评论
相关问答