---
title: "Discussion on \"《深度学习入门》的cpp实现-ch05: 误差反向传播法\" | Hashnode"
description: "Discussion on \"《深度学习入门》的cpp实现-ch05: 误差反向传播法\". 上一节使用梯度更新的方法求神经网络的参数的梯度，虽然可行，但是耗时很多。这篇文章我们使用计算图(computational graph) 来进行计算损失函数对神经网络参数的梯队。\n计算图\n计算图是将计算过程用图形表示出来，将计算的的从左向右计算, 即由数据推理出结果，称为正向传播；将从右向左的传播，即由损失函数计算参数梯度，称为反向传播。\n好处\n\n使用计算图可以聚焦于局部计算，无论全局计算多么复杂，各个步骤只需要对输入输出做简单的计算。通过节点(算子)间的传递，可以获取全局复杂计算的结果。\n\n使..."
url: "https://hashnode.com/posts/dfls-cpp-ch05/6300ffc1ba5ef2131493a598"
---

[Feed](https://hashnode.com/feed) /

Discussion

# [《深度学习入门》的cpp实现-ch05: 误差反向传播法](https://qilingzhao.com/dfls-cpp-ch05?utm_source=hashnode&utm_medium=feed)

上一节使用梯度更新的方法求神经网络的参数的梯度，虽然可行，但是耗时很多。这篇文章我们使用计算图(computational graph) 来进行计算损失函数对神经网络参数的梯队。 计算图 计算图是将计算过程用图形表示出来，将计算的的从左向右计算, 即由数据推理出结果，称为正向传播；将从右向左的传播，即由损失函数计算参数梯度，称为反向传播。 好处 使用计算图可以聚焦于局部计算，无论全局计算多么复杂，各个步骤只需要对输入输出做简单的计算。通过节点(算子)间的传递，可以获取全局复杂计算的结果。 使...

Aug 20, 2022 · 3 min read · qilingzhao.com  
Read the article

-   [#dlfs-cpp](https://hashnode.com/tag/dlfs-cpp)
-   [#neural-networks](https://hashnode.com/tag/neural-networks)
-   [#computational-graph](https://hashnode.com/tag/computational-graph)

## Written by

[qilingzhao](https://hashnode.com/@Zhao70)

@Zhao70

  
[View profile](https://hashnode.com/@Zhao70)

## Responses

Markdown supported · ⌘↵ to post

No responses yet.
