基本函数导数公式
Copyright ? Microsoft Corporation. All rights reserved.
适用于License版权许可
更多微软人工智能学习资源，请见微软人工智能教育与学习共建社区
- Content
- 01.0-神经网络的基本工作原理
- 01.1-基本数学导数公式
- 01.2-Python-Numpy库的点滴
- 02.0-反向传播与梯度下降
- 02.1-线性反向传播
- 02.2-非线性反向传播
- 02.3-梯度下降
- 03.0-损失函数
- 03.1-均方差损失函数
- 03.2-交叉熵损失函数
- 04.0-单入单出单层-单变量线性回归
- 04.1-最小二乘法
- 04.2-梯度下降法
- 04.3-神经网络法
- 04.4-梯度下降的三种形式
- 04.5-实现逻辑非门
- 05.0-多入单出单层-多变量线性回归
- 05.1-正规方程法
- 05.2-神经网络法
- 05.3-样本特征数据的归一化
- 05.4-归一化的后遗症
- 05.5-正确的推理方法
- 05.6-归一化标签值
- 06.0-多入多出单层神经网络-多变量线性分类
- 06.1-二分类原理
- 06.2-线性二分类实现
- 06.3-线性二分类结果可视化
- 06.4-多分类原理
- 06.5-线性多分类实现
- 06.6-线性多分类结果可视化
- 07.0-激活函数
- 07.1-挤压型激活函数
- 07.2-半线性激活函数
- 07.3-用双曲正切函数分类
- 07.4-实现逻辑与门和或门
- 08.0-单入单出双层-万能近似定理
- 08.1-双层拟合网络的原理
- 08.2-双层拟合网络的实现
- 09.0-多入多出双层-双变量非线性分类
- 09.1-实现逻辑异或门
- 09.2-理解二分类的工作原理
- 09.3-非线性多分类
- 09.4-理解多分类的工作原理
- 10.0-调参与优化
- 10.1-权重矩阵初始化
- 10.2-参数调优
- 10.3-搜索最优学习率
- 10.4-梯度下降优化算法
- 10.5-自适应学习率算法
- 11.0-深度学习基础
- 11.1-三层神经网络的实现
- 11.2-验证与测试
- 11.3-梯度检查
- 11.4-手工测试训练效果
- 11.5-搭建深度神经网络框架
- 12.0-卷积神经网络
- 12.1-卷积
- 12.2-池化
- 14.1-神经网络模型概述
- 14.2-Windows模型的部署
- 14.3-Android模型的部署
附录：基本数学导数公式
这篇文章的内容更多的是一些可能要用到的数学公式的导数公式和推导，是一种理论基础，感兴趣的同学可以仔细瞅瞅，想直接上手的同学也可以直接跳过这一篇~
大家可以mark一下，以便以后用到时过来查一下，当成字典。
下面进入正题！
(1)
y
′
=
0
y'=0 \tag 1
y′=0(1)
(2)
y
′
=
a
x
a
?
1
y'=ax^{a-1} \tag 2
y′=axa?1(2)
-
y
=
l
o
g
a
x
y=log_ax
y=loga?x
(3)
y
′
=
1
x
l
o
g
a
e
=
1
x
l
n
a
y'=\frac{1}{x}log_ae=\frac{1}{xlna} \tag 3
y′=x1?loga?e=xlna1?(3)
(
因
为
l
o
g
a
e
=
1
l
o
g
e
a
=
1
l
n
a
)
(因为log_ae=\frac{1}{log_ea}=\frac{1}{lna})
(因为loga?e=loge?a1?=lna1?)
(4)
y
′
=
1
x
y'=\frac{1}{x} \tag4
y′=x1?(4)
(5)
y
′
=
a
x
l
n
a
y'=a^xlna \tag5
y′=axlna(5)
(6)
y
′
=
e
x
y'=e^x \tag6
y′=ex(6)
