神經(jīng)網(wǎng)絡(luò)反向傳播算法本質(zhì)是在解決什么問題？是怎樣的？反向傳播算法是一個深入的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程，最終誤差值根據(jù)梯度和誤差傳播原理返回到數(shù)據(jù)輸入方向，用來修改每層神經(jīng)元的權(quán)值或卷積核參數(shù)，以達到減小正誤差

神經(jīng)網(wǎng)絡(luò)反向傳播算法本質(zhì)是在解決什么問題？是怎樣的？

反向傳播算法是一個深入的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程，最終誤差值根據(jù)梯度和誤差傳播原理返回到數(shù)據(jù)輸入方向，用來修改每層神經(jīng)元的權(quán)值或卷積核參數(shù)，以達到減小正誤差的目的，當經(jīng)過一輪反向傳播后，正誤差很小，達到可接受的水平時，神經(jīng)網(wǎng)絡(luò)才穩(wěn)定訓(xùn)練。

神經(jīng)網(wǎng)絡(luò)relu怎么反向求導(dǎo)？

Relu是神經(jīng)網(wǎng)絡(luò)中的激活函數(shù)。

在神經(jīng)網(wǎng)絡(luò)從輸入到輸出的正向傳播中，激活函數(shù)是不可避免的。因此，在反向傳播調(diào)整過程中，還需要根據(jù)鏈導(dǎo)數(shù)規(guī)則調(diào)整relu的偏差或梯度。

在神經(jīng)網(wǎng)絡(luò)中，每兩層神經(jīng)元的權(quán)重根據(jù)梯度進行調(diào)整。梯度調(diào)整的幅度和方向取決于激活函數(shù)后前一層神經(jīng)元的輸入值a和激活函數(shù)前后一層神經(jīng)元輸出值的偏差。relu的逆導(dǎo)數(shù)是神經(jīng)元輸出的偏差（在進入激活函數(shù)之前）。relu的偏差請參考我的文章《BP反向傳播算法的思考與直觀理解——卷積小白的隨機世界》

例如，當L1層的偏差為m時，則relu后的L層的偏差為m*Wij。如果此時，relu之前的l層的輸出為Zi。如果Zi小于0。那么，L層神經(jīng)元通過relu前的偏差為0；如果Zi大于0。那么，relu之前的L層的偏差是m*Wij。

如果神經(jīng)網(wǎng)絡(luò)中，每個層內(nèi)部的神經(jīng)元之間有連接，這時候的前向和反向傳播應(yīng)該怎么計算？

這是秩序問題。如果兩個節(jié)點相互傳遞，傳遞的順序是什么？是固定順序、隨機順序還是同時順序？事實上，這種結(jié)構(gòu)已經(jīng)存在于CNN的工作和消息傳遞中。CNN提取局部特征后，通過消息傳遞對特征進行進一步的過濾，同時對特征進行過濾。我們同時用當前值更新下一步。實際系統(tǒng)只能選擇一個特定的順序，很可能是同時進行的。