2.13 计算图的导数计算？ 内容修订

2.13 计算图的导数计算？ 内容修订

ch02_机器学习基础/第二章_机器学习基础.md

@@ -706,7 +706,7 @@ BGD、SGD、Mini-batch GD，前面均已讨论过，这里介绍一下Online GD
 
 ​	Online GD在互联网领域用的较多，比如搜索广告的点击率（CTR）预估模型，网民的点击行为会随着时间改变。用普通的BGD算法（每天更新一次）一方面耗时较长（需要对所有历史数据重新训练）；另一方面，无法及时反馈用户的点击行为迁移。而Online GD算法可以实时的依据网民的点击行为进行迁移。
 
-## 2.13 计算图的导数计算图解？
+## 2.13 计算图的导数计算？
 ​	计算图导数计算是反向传播，利用链式法则和隐式函数求导。
 
 ​	假设 $z = f(u,v)$ 在点 $(u,v)$ 处偏导连续，$(u,v)$是关于 $t$ 的函数，在 $t$ 点可导，求 $z$ 在 $t$ 点的导数。
@@ -717,24 +717,16 @@ $$
 				.\frac{dv}{dt}
 $$
 
-​	为了便于理解，下面举例说明。
-假设$f(x)​$是关于a, b, c的函数。链式求导法则如下：
-$$
-\frac{dJ}{du}=\frac{dJ}{dv}\frac{dv}{du},\frac{dJ}{db}=\frac{dJ}{du}\frac{du}{db},\frac{dJ}{da}=\frac{dJ}{du}\frac{du}{da}
-$$
-
-​	链式法则用文字描述:“由两个函数凑起来的复合函数，其导数等于里边函数代入外边函数的值之导数，乘以里边函数的导数。
-
-​	例：
+​	链式法则用文字描述:“由两个函数凑起来的复合函数，其导数等于里边函数代入外边函数的值之导数，乘以里边函数的导数。  
+​	为了便于理解，下面举例说明：
 
 $$
 f(x)=x^2,g(x)=2x+1
 $$
 
-​	则
-
+​	则:
 $$
-{f[g(x)]}'=2[g(x)] \times g'(x)=2[2x+1] \times 2=8x+1
+{f[g(x)]}'=2[g(x)] \times g'(x)=2[2x+1] \times 2=8x+4
 $$