深度学习基础课：全连接层的前向和后向传播推导（中）

大家好~我开设了“深度学习基础班”的线上课程，带领同学从0开始学习全连接和卷积神经网络，进行数学推导，并且实现可以运行的Demo程序

线上课程资料：
本节课录像回放
加QQ群，获得ppt等资料，与群主交流讨论：106047770

本系列文章为线上课程的复盘，每上完一节课就会同步发布对应的文章

本文为第三节课：“全连接层的前向和后向传播推导（中）”的复盘文章

本课程系列文章可进入索引查看：
深度学习基础课系列文章索引

目录

• 回顾相关课程内容
• 主问题：如何推导全连接层的前向传播？
  • 为什么要学习全连接层？
  • 主问题：如何推导全连接层的前向传播？
  • 任务：实现全连接层的前向传播

回顾相关课程内容

• 第三节课：全连接层的前向和后向传播推导（上）
  • 神经元计算公式为什么要向量化？
  • 向量化后神经元的计算公式是什么？

主问题：如何推导全连接层的前向传播？

为什么要学习全连接层？

• 什么情况下需要增加输入层的神经元个数？
  答：需要增加特征的值的个数的时候
• 什么情况下需要增加隐藏层的神经元个数？
  答：需要增加神经网络的拟合能力，从而更快速的收敛的时候。
  因为隐藏层的神经元个数越多，权重数量就越多，方程的解的范围就越多，所以拟合能力就越强
• 什么情况下需要增加输出层的神经元个数？
  答：需要增加输出的值的个数的时候
• 什么情况下需要增加更多的隐藏层？
  答：需要大幅增加神经网络的拟合能力的时候，可参考如何确定神经网络的层数和隐藏层神经元数量

因此，本课推广判断性别Demo的三层神经网络为全连接层神经网络

主问题：如何推导全连接层的前向传播？

• 什么是全连接层？
  答：
  输入层、输出层各只有一层，隐藏层可以有任意多层；
  每层有任意多的神经元

我们仍然以三层神经网络为例来推导前向传播

• 前向传播算法是什么？
  答：从隐藏层开始，依次计算每层神经元的输出，直到输出层结束
• 隐藏层的前向传播计算公式是什么？
  答：
• 如何推导向量化？
  答：
• 输出层的前向传播计算公式是什么？
  答：
• 如何推导向量化？
  答：

任务：实现全连接层的前向传播

• 请实现全连接层的前向传播的代码
  答：待实现的代码：NeuralNetwork_forward
  实现后的代码：NeuralNetwork_forward_answer
• 使用判断性别Demo的神经网络结构，运行代码
  
  答：运行代码如下所示：

let state = createState(2, 2, 1)

let feature = {
  weight: 50.,
  height: 150.,
}

forward(state, feature)->Js.log