在深度学习中，如果我们已经定义了网络，输入，以及输出，那么接下来就是损失函数，优化策略，以及一般由框架完成的BP反传。这篇博文我们主要探讨一下深度的BP反传算法（以梯度下降为例），尤其是mini_batch的BP反传，目标是如何更新网络的参数：权重和偏置。
首先，我们来看网络中基本参数的一些定义。
使用梯度下降法，一般计算所有样本的损失函数的平均值，进而计算梯度方向。但是，当样本n特别多的时候，计算会比较困难。因此，提出了随机梯度下降的方法，即我们从样本集中随机抽取m个样本，其计算的平均梯度近似于通过全部样本计算的平均梯度。
当m=1时，SGD算法如下：
当m=k时，mini_batch算法如下：
通过对比m=1和m=k算法流程，我们发现，mini_batch方法的梯度是由mini_batch里的样本共同决定（平均值），计算出来的梯度一般比k=1的时候准确。
关于算法中的公式，我们通过以下方法进行推导：