反向傳播是類神經網路最常見的訓練演算法,因此,梯度下降法可用於多層類神經網路。TensorFlow 會自動處理反向傳播,因此您不需要深入瞭解演算法。如要瞭解運作方式,請參閱反向傳播演算法視覺化說明一文。捲動查看上述說明時,請注意下列事項:
- 資料在圖表中的流動方式。
- 動態程式設計可讓我們避免在圖表中計算大量路徑。這裡的「動態程式設計」只是用來記錄正向和反向傳遞的中繼結果。
反向傳播是類神經網路最常見的訓練演算法,因此,梯度下降法可用於多層類神經網路。TensorFlow 會自動處理反向傳播,因此您不需要深入瞭解演算法。如要瞭解運作方式,請參閱反向傳播演算法視覺化說明一文。捲動查看上述說明時,請注意下列事項:
除非另有註明,否則本頁面中的內容是採用創用 CC 姓名標示 4.0 授權,程式碼範例則為阿帕契 2.0 授權。詳情請參閱《Google Developers 網站政策》。Java 是 Oracle 和/或其關聯企業的註冊商標。
上次更新時間:2023-12-02 (世界標準時間)。