Halcon深度学习前向传播--前向传播（forward）和反向传播（backward）

Halcon深度学习前向传播--前向传播（forward）和反向传播（backward）

Halcon深度学习分为前向传播（forward）和反向传播（backward）,其实两者关系更像PID控制，如果你在大学是自动化相关专业，对PID控制并不陌生。只要学过自动控制原理相关知识你肯定知道其中的奥秘。

传播（forward）对应下图的Plant/Process（开环计算）,

作用于y(t)。

反向传播（backward）,相当于上图中的PID（闭环计算）

反作用于输入u(t)。

PID控制为了整个系统的稳定性，自动对控制系统进行准确且迅速的校正。通过调整控制参数（比例增益、积分增益/时间、微分增益/时间）让系统达到最佳的控制效果。

前向传播（forward）和反向传播（backward）是为了在初始权重和偏置的情况下的损失函数，以及损失函数对每个要学习的参数（权重参数和偏置参数）的导数，之后即可按照选定的学习率更新参数，然后不断循环计算损失函数、更新参数直到达到迭代次数或者损失函数达到指定与之或者最小值。最终的目的，

对于Halcon深度学习来说，前向传播（forward）和反向传播（backward）,是前向传播算法(Forward propagation)与反向传播算法(Back propagation)分别构成，就是由一些数学函数计算得出的,那么这些数学函数计算是深度学习重要研究对象。

对于Halcon深度学习来说，深度学习训练来说，通过不断前向传播（forward）和反向传播（backward），不断获得指定或者最小的迭代次数或者损失函数。