今天有朋友咨询我反向传播算法，我觉得不需要太复杂的推导，就可以解释清楚这个算法的原理。
序
假定神经网络采用下面的结构：
1. 最简单的神经网络模型
我们考虑最简单的情况：一个输入节点、一个输出节点、一个训练样本，网络结构如下图：
2. 损失函数
为了简化分析，我们假定只有一个训练样本 (x,y)(x,y)(x,y)。于是，损失函数简化为下面的形式：
E=12(y−a5)2(3)\tag3
E = \frac12(y – a_5)^2
E=21(y−a5)2(3)
其中，(x,y)(x,y)(x,y) 是训练样本、a1=xa_1=xa1=x，wiw_iwi 的初始值随机赋予，而 a
2021-10-18 11:37:02
152KB
1
G4Opticks测试
该示例演示了如何使用Geant4中的光学元件来创建和传播光学光子。 这要求正确设置光学环境。 （有关如何安装眼镜的说明，请参见 。目前，我们使用以下外部软件包及其版本：
NVIDIA Optix 6.5
英伟达CUDA 11.0
NVIDIA驱动程序450.80.02
geant4 10.6.p03（在G4Cerenkov中有次要补丁）
提升1.71.0
xercesc 3.2.2
的openmesh 6.3
闪1.13.0
glfw 3.1.1
cmake 3.18.4
开始 ：
git clone https://github.com/hanswenzel/G4OpticksTest.git
cd G4OpticksTest/
# now have a look at set_env_lq.sh and change the variab
2021-10-17 10:11:18
179KB
1
链条机
实现
环境
Ubuntu 14.04 LTS 带有Anaconda3 4.2.0的Python 3.5.2
外部图书馆
图书馆
版本
链条机
2.0.0
杯状的
1.0.0
麻木
1.14
数据集
资料来源：MNIST 目标：MNIST-M
数据集链接：
MNIST-M原始链接（项目挂钩）：
实施结果
验证数据：目标数据（无训练数据）。
训练数据（源/目标）
精度（纸
精度（Impl
Mnist / Mnist-M
81.49％
80.81％
准确性
失利
train/loss/LP ：标签预测器损失train/loss/DC ：域分类器损失
用法
打开train.py并更改data_root路径。 运行python train.py 。
从图像文件所在的目录中获取类标签，并且目录名称必须是类ID。 因此，必须安排图像文件并为每个类重命名目录。
2021-10-16 19:25:08
194KB
1
开发了一种用于超宽带（UWB）无线传感器网络的多径快速三维（3D）节点定位算法。 该算法采用改进的传播器方法（MPM）进行时延估计，然后使用3D Chan和Taylor的结合算法进行基于范围的多边定位和节点位置计算。 该算法将传统的传播方向估计方法扩展到多路径的频域到达时间估计中，可以有效地测量未知传感器之间的距离。节点和锚节点。 MPM算法既不需要频谱搜索，也不需要协方差矩阵估计及其特征值分解，从而降低了计算复杂度。 婚姻定位算法提高了节点定位的鲁棒性和准确性。 仿真结果验证了该算法在3D空间中定位UWB无线传感器网络的多个未知节点的有效性。
2021-10-15 23:49:20
1.68MB
1