深度学习过程反向传播有关sigmoid的求导

在深度学习的反向传播过程中，我们需要对激活函数进行求偏导，这里写一点如果激活函数是sigmoid函数时的推导过程。

Flow chart(Forward propagation)

input --> --> --> --> Error=

Flow chart(Backward propagation)

output <-- <---------------------------

在经历一次前向传播后，我们会得到一个输出yi，同时我们回得到一个MSE作为与我们目标的误差反馈。深度学习中我们会对误差进行w的偏导，然后对w进行更新，这个步骤和梯度下降法的参数更新是一个原理。

其中，

这里，

所以，

又

综上，

最后更新, , 是学习率。