BP(反向传播)神经网络
这篇文章主要讨论神经网络的反向传播的细节,“误差”是如何反向传播的,我们又是如何利用梯度来优化参数的。
在学吴恩达机器学习视频的神经网络那节时,给出了许多公式,比如计算每层的误差,每层参数的梯度,但并没有给出推导过程,可能也是考虑入门级,大多人并不要知道其中含义就可以运用算法了。接下来我会给出详细的推导过程,帮助大家理解。
注意接下来所讲是未正则化的神经网络。
1 计算公式
1.1 正向传递
假设现在有一个三层的神经网络,如图:
参数含义:
- 第 层的参数矩阵
- 第 层的输入
- 第 层的输出
传递过程:
其中 为sigmoid**函数。
1.2 反向传播
我们用 表示每层的”误差“, 为每个样本的标签, 为每个样本的预测值。
吴恩达在课里面提到,”误差“的实质是 ,没错,后面详细说明。
先来从后往前计算每层的“误差“。注意到这里的误差用双引号括起来,因为并不是真正的误差。
- (1)
- (2)
注意第一层是没有误差的,因为是输入层。
然后来计算每层参数矩阵的梯度,用 表示
- (3)
- (4)
最后网络的总梯度为:
-
(5)
到这里反向传播就完成了,接着就可以利用梯度下降法或者更高级的优化算法来训练网络。
2 推导
这里只推导 是怎么来的,其余的比较好理解。
首先明确我们要优化的参数有 , ,利用梯度下降法的思想,我们只需要求解出代价函数对参数的梯度即可。
假设只有一个输入样本,则代价函数是:
回顾下正向传递的过程,理解其中函数的嵌套关系:
然后我们来求解代价函数对参数的梯度, , 。
根据链式求导法则,可以计算得到:
把我画红线的地方令为 ,是不是就得到了反向传播中的公式(1)?
把画绿线的部分令为 ,就得到了公式(3)。我们接着算:
同样把红线部分令为 ,紫色部分令为 ,就得到了公式(2)。
绿线部分令为 ,就得到了公式(4)。
至此,推导完毕。得到这个规律后,便可以应用到深层次的网络中,计算反向传播时就很方便了。
上面的公式因为书写麻烦,便只写了结果。如果你用笔去慢慢推几分钟,会发现其实很简单。
下面是大半年前给实验室做报告做的PPT,没想到现在重新学到这里,感觉许多小细节记不清,故温故一遍。