反向传导算法

@@ Line 1: / Line 1: @@
-反向传导算法
+:【原文】：
+Suppose we have a fixed training set <math>\{ (x^{(1)}, y^{(1)}), \ldots, (x^{(m)}, y^{(m)}) \}</math> of <math>m</math> training examples. We can train our neural network using batch gradient descent.  In detail, for a single training example <math>(x,y)</math>, we define the cost function with respect to that single example to be:
+:【初译】：
+假设我们有一个固定的训练集<math>\{ (x^{(1)}, y^{(1)}), \ldots, (x^{(m)}, y^{(m)}) \}</math>，它包含<math>m</math>个训练样本。我们可以用批量梯度下降法训练我们的神经网络。下面进行详细介绍。针对单独的训练样本<math>(x,y)</math>，我们定义关于它的代价函数为：
+:【一校】：
+:<math>
+\begin{align}
+J(W,b; x,y) = \frac{1}{2} \left\| h_{W,b}(x) - y \right\|^2.
+\end{align}
+</math>
+:【原文】：
+:【初译】：
+:【一校】：

Revision as of 15:41, 7 March 2013