反向传播
前面讲解了卷积神经网络的网络基本架构。我们在实际运算的时候会发现,随着计算次数的增加,我们的输出结果与我们的预期结果会不断的逼近。这是因为网络中的权重参数在不断的调整,那么参数是如何调整的?这就涉及到一个反向传播的问题。反向传播其实是神经网络的一个基础,下面我通过一个简单的示例带大家详细了解一下这个数学过程。
前向传播过程
了解反向传播之前,我们先来简单回顾一下前向传播的过程。也就是神经网络正常走完一个周期的过程。
如图所示,这是典型的神经网络的基本构成。其中L1层是输入层,L2层是隐藏层,L3层是输出层。假定我们现在输入一系列数组,我们希望最后的输出是我们预期的值,那么这些数组必然要经历一个参数的计算过程,下面我们通过一个具体的示例讲述一下这个变化是如何发生的。
首先我们明确初始条件
输入数据:x1=0.05, x2=0.1;
输出数据:y1=0.01, y2=0.99;
初始权重(随着计算的进行,权重会不断的更新迭代):w1=0.15,w2=0.2,w3=0.25,w4=0.3,w5=0.4,w6=0.45,w7=0.5,w8=0.55;
偏置:b1=0.35,b2=0.6.
**函数为sigmoid函数(用**函数是为了去线性化,具体原因我会在下次笔记中介绍)
这个神经网络的目的就是,我们给出一组输入,最后使得输出尽可能的接近y1=0.01,y2=0.99.
现在开始前向传播
(1)从L1层到L2层(输入层到隐藏层):
计算神经元x1的输入加权和:neta11=w1∗x1+w2∗x2+b1∗1
带入数据:neta11=0.15∗0.05+0.2∗0.1+0.35∗1=0.3775
神经元a11的输出为(对神经元执行一次sigmoid**):
outa11=1+e−neta111=1+e−0.37751=0.593269992
同理可得a12的输出为:outa12=0.596884378
(2)从L2层到L3层(隐藏层到输出层):
(此时的L2层相当于我们的输入层,计算过程类似上一层)
计算输出神经元y1的输入加权和:nety1=w5∗outa11+w6∗outa12+b2∗1
带入数据:nety1=0.4∗0.593269992+0.45∗0.596884378+0.6∗1=1.105905967
outy1=1+e−nety11=1+e−1.1059059671=0.75136507
同理可得y2的输出为:outy2=0.772928465
这样前向传播的过程就结束了,我们得到的输出值为[0.75136507 , 0.772928465],与实际值[0.01 , 0.99]相差还很远,为了得到一组接近我们需要的数据,我们需要调整参数(神经网络的权重),重新计算输出。那么如何调整参数?我们应该知道当前参数对误差的总影响,具体的方法就是要进行反向传播计算。
反向传播过程
在进行反向传播之前,我们最后再回顾一下我们刚刚做了什么事情。
刚刚,我们首先定义了一组输入数值X;
2,我们对输入数组执行第一册计算并将结果给到了隐藏层L2,我们假定这个函数为F(x);
3,我们对隐藏层进行了非线性处理,假定这一步操作为S(F(x));
4,接着我们将L2层视为新的输入层,对他执行了一系列变化并将值给到输出层L3,假定这一步操作为G(S(F(x)));
5,最后我们对输出层执行了非线性变化,得到第一次计算的最终结果,这一步操作可以看做T(G(S(F(x)))).
6,根据链式法则,现在我们要做的就是给这个多嵌套的函数脱衣服。。。
脱衣服的过程一定要遵循先穿的后脱,后穿的先脱(会不会被河蟹)。。。
开始脱衣服 反向传播:
1,计算总误差:
Etotal=∑21(target−output)2
因为有两个输出,所以分我们别计算y1和y2的误差,然后计算两者之和:
Ey1=21(targety1−outputy1)2=21(0.01−0.75136507)2=0.274811083
Ey20.023560026
Etotal=Ey1+Ey2=0.298371109
输出层向隐藏层的权值更新:
以权重参数w5为例,如果我们想知道w5对整体误差产生了多少影响,可以用整体误差对w5求偏导求出:(链式法则)
∂w5∂Etotal=∂outy1∂Etotal∗∂nety1∂outy1∗∂w5∂nety1
我们来计算每一个单独的算式:
计算∂outy1∂Etotal
Etotal=21(targety1−outy1)2+21(targety2−outy2)2
∂outy1∂Etotal=2∗21(targety1−outy1)2−1∗(−1)+0=−(targety1−outy1)=−(0.01−0.75136507)=0.74136507
计算∂nety1∂outy1
outy1=1+e−nety11
∂nety1∂outy1=outy1(1−outy1)
∂nety1∂outy1=outy1(1−outy1)=0.75136507∗(1−0.75136507)=0.186815602
(这一步实际上就是对sigmoid函数求导)
计算∂w5∂nety1
nety1=w5∗outa11+w6∗outa12+b2∗1
带入数据得到∂w5∂nety1=outa11=0.593269992
最后根据上面公式三者相乘:
∂w5∂Etotal=0.74136507∗0.186815602∗0.593269992=0.082167041
这样我们就求出了整体误差对w5的偏导值。
我们再梳理一遍上面的计算公式:
∂w5∂Etotal=−(targety1−outy1)∗outy1(1−outy1)∗outa11
现在我们来更新w5的值:
w5+=w5−η∗∂w5∂Etotal
其中:
1,w5+是更新权重
2,η是学习率
同理可以更新w6,w7,w8的值如下:
w6=0.408666186
w7=0.511301270
w8=0.561370121
隐藏层向输入层的权值更新
计算方法与上面一样,但是需要注意一点。从L3层到L2层计算权重w5时,是从outy1到nety1再到w5;而从L2层到L1层就算权重w1(以w1为例),是从outa11到neta11再到w1,其中outa11,其中outa11接受的是从Ey1和Ey2两个方向传递的影响。
∂w1∂Etotal=∂outa11∂Etotal∗∂neta11∂outa11∗∂w1∂neta11
其中:
∂outa11∂Etotal=∂outa11∂Ey1+∂outa11∂Ey2
计算∂outa11∂Ey1:
∂outa11∂Ey1=∂nety1∂Ey1∗∂outa11∂nety1
带入相关数据:
∂nety1∂Ey1=∂outy1∂Ey1∗∂neta11∂outy1=0.74136507∗0.186815602=0.138498562
nety1=w5∗outa11+w6∗outa12+b2∗1
∂outa11∂nety1=w5=0.40
∂outa11∂Ey1=∂nety1∂Ey1∗∂outa11∂nety1=0.138498562∗0.40=0.055399425
同理计算出:
∂outa11∂Ey2=−0.019049119
两者相加得到总值:
∂outa11∂Etotal=∂outa11∂Ey1+∂outa11∂Ey2=0.055399425+−0.019049119=0.036350306
在计算∂neta11∂outa11:
outa11=1+e−neta111
∂neta11∂outa11=outa11(1−outa11)=0.59326999(1−0.59326999)=0.241300709
再计算∂w1∂neta11:
neta11=w1∗x1+w2∗x2+b1∗1
∂w1∂neta11=x1=0.05
最后三者相乘
∂w1∂Etotal=∂outa11∂Etotal∗∂neta11∂outa11∗∂w1∂neta11=0.036350306+0.241300709+0.05=0.000438568
更新w1的权值如下:
w1+=w1−η∗∂w1∂Etotal=0.15−0.5∗0.000438568=0.149780716
同理,更新w2w3w4的权值:
w2=0.19956143
w3=0.24975114
w4=0.29950229
这样误差反向传播法就完成了,最后我们再把更新的权值重新计算,不停地迭代,在这个例子中第一次迭代之后,总误差E(total)由0.298371109下降至0.291027924。迭代10000次后,总误差为0.000035085,输出为0.015912196,0.984065734,非常接近预期输出,证明效果还是不错的。