反向误差传播的深度学习方法

DNN基础

   上图的DNN model中，中间有多层hidden layers，每层layer上都有多个neurons(橙色)，每个neuron都有多个input和1个output(这1个output的多个copy产生多个output到下一layer)；在layer l neuron j 输入之一是layer l-1 的neuron k，所以w(j,k)是这根神经线的weight，b(j)是neuron i的偏移，(w,b)集合 构成了model parameters，将在training中被learned到。每一layer全部neuron的 w(j,k) 用二维矩阵存储，b(j)用一维矩阵存储。

反向误差传播

   以上代码是反向误差传播的深度学习方法，利用了梯度下降、误差项公式，分成前馈阶段和反向传播阶段。其中，Line2，迭代given 次；Line4，迭代每个sample 记录；
line6，…. 前馈阶段的过程如下图，即从x值输入开始，由**函数转换为第0层输出a(0)；根据公式1，转换为1层输入z(1)（想象，发生在某neuron的某条输入连接线上）；根据公式2，转换为1层输出a(1)（想象，发生在某neuron上）；以此类推，直到第L层的输出a(L)；最后归一化计算出预期值y’。

   以下公式1，z(j,l) 是第l层第j个neuron的输入，该neuron全部连接线的累计计算出该neuron的输入；公式2 a(l,j)是该neuron的输出， 的f()是activation function，目的让结果值从0变成非0，使反向传播时计算(w,b)更高效。

   Line 7-11是反向传播迭代每layer；在每次迭代中，又迭代该layer的每个neuron。Line7的误差公式如下公式（3），即l层neuron j的误差项，由**函数反函数、该neuron的输入z，以及下一层的误差项与weight的累加（想象多条连接线反向到该neuron）组成。

  误差公式可以由下面公式4 损失函数 推导出来。在公式4中，y(j)是x sample在neuron j的实际输出，a(L,j)是预期值，计算出的C(x)是根据x输入的第L层全部neuron的损失值，即每层只有1个损失值。该损失函数适合用于线性回归模型；如果是分类问题，损失函数用交叉熵。

  Line8、9，计算每个neuron的w，b对损失函数的导数，即梯度。
  Line10、11，根据梯度下降公式 [1]（即学习率、上一个迭代的w,b、梯度），计算出本次迭代的(w,b)

参考
[1] https://blog.csdn.net/lai_me/article/details/109130536#comments_13516893
[2] https://www.cnblogs.com/Luv-GEM/p/10694471.html
[3] https://blog.csdn.net/qq_16137569/article/details/81449209