[笨] 啊啊啊原來 NN 的 backpropagation 可以用導數乘上輸出的差是因為如果用 1/2 sum(label - output)^2 當 loss function 的話 gradient descent 需要的 gradient 算出來就是那樣, 不是什麼用 (f(x+h t)-f(x))/h 近似的意思...

有神快拜

有神快拜RRR

大家在幹嘛QQ 這就很普通的上課投影片裡講的東西而已

我現在只記得疊了兩三層後，跑出有一堆各種被微過的變數的可怕式子

也不算有吧, 其實就只是把 σ(b + w1x1 + w2x2 + ...) 對所有的變數偏微分過一遍而已 (其中 σ(t) = 1/(1+e^(-t)))

我同個式子每次微出來都長不一樣 XDD

前幾天看李弘毅的ML有上這個 就很多偏微XD

（ML 完全沒學過）

ML 有東西還滿漂亮的XD 像是 SVM