反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]最近在看深度学习的东西,一开始看的吴恩达的UFLDL教程,有中文版就直接看了,后来发现有些地方总是不是很明确,又去看英文版,然后又找了些资料看,才发现,中文版的译者在翻译的时候会对省略的公式推导过程进行补充,但是补充的又是错的,难怪觉得有问题。反向传播法其实是神经网络的基础了,但是很多人在学的时候总是会遇到一些问题,或者看到大篇的公式觉得好像很难就退缩了,其实不难,就是一个链式求导法则反复用。如果…

大家好,又见面了,我是你们的朋友全栈君。

最近在看深度学习的东西,一开始看的吴恩达的UFLDL教程,有中文版就直接看了,后来发现有些地方总是不是很明确,又去看英文版,然后又找了些资料看,才发现,中文版的译者在翻译的时候会对省略的公式推导过程进行补充,但是补充的又是错的,难怪觉得有问题。反向传播法其实是神经网络的基础了,但是很多人在学的时候总是会遇到一些问题,或者看到大篇的公式觉得好像很难就退缩了,其实不难,就是一个链式求导法则反复用。如果不想看公式,可以直接把数值带进去,实际的计算一下,体会一下这个过程之后再来推导公式,这样就会觉得很容易了。

  说到神经网络,大家看到这个图应该不陌生:

反向传播——通俗易懂[通俗易懂]

 

  这是典型的三层神经网络的基本构成,Layer L1是输入层,Layer L2是隐含层,Layer L3是隐含层,我们现在手里有一堆数据{x1,x2,x3,…,xn},输出也是一堆数据{y1,y2,y3,…,yn},现在要他们在隐含层做某种变换,让你把数据灌进去后得到你期望的输出。如果你希望你的输出和原始输入一样,那么就是最常见的自编码模型(Auto-Encoder)。可能有人会问,为什么要输入输出都一样呢?有什么用啊?其实应用挺广的,在图像识别,文本分类等等都会用到,我会专门再写一篇Auto-Encoder的文章来说明,包括一些变种之类的。如果你的输出和原始输入不一样,那么就是很常见的人工神经网络了,相当于让原始数据通过一个映射来得到我们想要的输出数据,也就是我们今天要讲的话题。

  本文直接举一个例子,带入数值演示反向传播法的过程,公式的推导等到下次写Auto-Encoder的时候再写,其实也很简单,感兴趣的同学可以自己推导下试试:)

  假设,你有这样一个网络层:

反向传播——通俗易懂[通俗易懂]

  第一层是输入层,包含两个神经元i1,i2,和截距项b1;第二层是隐含层,包含两个神经元h1,h2和截距项b2,第三层是输出o1,o2,每条线上标的wi是层与层之间连接的权重,激活函数我们默认为sigmoid函数。

  现在对他们赋上初值,如下图:

反向传播——通俗易懂[通俗易懂]

  其中,输入数据  i1=0.05,i2=0.10;

     输出数据 o1=0.01,o2=0.99;

     初始权重  w1=0.15,w2=0.20,w3=0.25,w4=0.30;

           w5=0.40,w6=0.45,w7=0.50,w8=0.55

 

  目标:给出输入数据i1,i2(0.05和0.10),使输出尽可能与原始输出o1,o2(0.01和0.99)接近。

 

  Step 1 前向传播

  1.输入层—->隐含层:

  计算神经元h1的输入加权和:

反向传播——通俗易懂[通俗易懂]

神经元h1的输出o1:(此处用到激活函数为sigmoid函数):

反向传播——通俗易懂[通俗易懂]

 

 

  同理,可计算出神经元h2的输出o2:

  反向传播——通俗易懂[通俗易懂]

 

  2.隐含层—->输出层:

  计算输出层神经元o1和o2的值:

  反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

 

这样前向传播的过程就结束了,我们得到输出值为[0.75136079 , 0.772928465],与实际值[0.01 , 0.99]相差还很远,现在我们对误差进行反向传播,更新权值,重新计算输出。

 

Step 2 反向传播

1.计算总误差

总误差:(square error)

反向传播——通俗易懂[通俗易懂]

但是有两个输出,所以分别计算o1和o2的误差,总误差为两者之和:

反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

 

2.隐含层—->输出层的权值更新:

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)

反向传播——通俗易懂[通俗易懂]

下面的图可以更直观的看清楚误差是怎样反向传播的:

反向传播——通俗易懂[通俗易懂]

现在我们来分别计算每个式子的值:

计算反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

计算反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

(这一步实际上就是对sigmoid函数求导,比较简单,可以自己推导一下)

 

计算反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

最后三者相乘:

反向传播——通俗易懂[通俗易懂]

这样我们就计算出整体误差E(total)对w5的偏导值。

回过头来再看看上面的公式,我们发现:

反向传播——通俗易懂[通俗易懂]

为了表达方便,用反向传播——通俗易懂[通俗易懂]来表示输出层的误差:

反向传播——通俗易懂[通俗易懂]

因此,整体误差E(total)对w5的偏导公式可以写成:

反向传播——通俗易懂[通俗易懂]

如果输出层误差计为负的话,也可以写成:

反向传播——通俗易懂[通俗易懂]

最后我们来更新w5的值:

反向传播——通俗易懂[通俗易懂]

(其中,反向传播——通俗易懂[通俗易懂]是学习速率,这里我们取0.5)

同理,可更新w6,w7,w8:

反向传播——通俗易懂[通俗易懂]

 

3.隐含层—->隐含层的权值更新:

 方法其实与上面说的差不多,但是有个地方需要变一下,在上文计算总误差对w5的偏导时,是从out(o1)—->net(o1)—->w5,但是在隐含层之间的权值更新时,是out(h1)—->net(h1)—->w1,而out(h1)会接受E(o1)和E(o2)两个地方传来的误差,所以这个地方两个都要计算。

 

反向传播——通俗易懂[通俗易懂]

 

计算反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

先计算反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

同理,计算出:

          反向传播——通俗易懂[通俗易懂]

两者相加得到总值:

反向传播——通俗易懂[通俗易懂]

再计算反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

再计算反向传播——通俗易懂[通俗易懂]

反向传播——通俗易懂[通俗易懂]

最后,三者相乘:

反向传播——通俗易懂[通俗易懂]

 为了简化公式,用sigma(h1)表示隐含层单元h1的误差:

反向传播——通俗易懂[通俗易懂]

最后,更新w1的权值:

反向传播——通俗易懂[通俗易懂]

同理,额可更新w2,w3,w4的权值:

反向传播——通俗易懂[通俗易懂]

 

  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](原输入为[0.01,0.99]),证明效果还是不错的。

版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/130465.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • 简单易懂的softmax交叉熵损失函数求导

    简单易懂的softmax交叉熵损失函数求导来写一个softmax求导的推导过程,不仅可以给自己理清思路,还可以造福大众,岂不美哉~softmax经常被添加在分类任务的神经网络中的输出层,神经网络的反向传播中关键的步骤就是求导,从这个过程也可以更深刻地理解反向传播的过程,还可以对梯度传播的问题有更多的思考。softmax函数softmax(柔性最大值)函数,一般在神经网络中,softmax可以作为分类任务的输出层。其实可…

  • c++ 的map、iterator用法[通俗易懂]

    c++ 的map、iterator用法[通俗易懂] https://blog.csdn.net/bangdingshouji/article/details/73028424参考:资料一:http://www.cplusplus.com/reference/iterator/(第一参考,简单精要) 资料二:http://jjhou.boolan.com/programmer-3-traits.pdf(侯捷随笔,非常全面,有时间深刻可…

    2022年10月28日
  • es6 数组的空位

    es6 数组的空位数组的空位指,数组的某一个位置没有任何值。比如,Array构造函数返回的数组都是空位。Array(3)//[,,,]上面代码中,Array(3)返回一个具有3个空位的数组。注意,空位不是undefined,一个位置的值等于undefined,依然是有值的。空位是没有任何值,in运算符可以说明这一点。0in[undefined,undefined,undefined]//tr…

  • CMD进入mysql及mysql字符集设置

    CMD进入mysql及mysql字符集设置1.开始-运行-cmd-回车 或者windows+r,进入电脑或者服务器的cmd,2.执行netstartmysql,启动mysql服务(netstopmysql为停止服务),3.1找到自己mysql安装目录的bin目录(我的是C:\ProgramFiles(x86)\MySQL\MySQLServer5.1\bin),操作顺序如下图 3.2在路径栏输入cmd,     …

  • php实现工厂模式

    php实现工厂模式

    2021年11月15日
  • 报表开发-列表参数

    1.目的:做一个下图的筛选框-实现多选(这是在已有报表基础上加一个筛选框,如果从无到有,步骤略有不同)(点击前)(点击时)2.首先配置数据源制作报表,点击报表中任意一个指标,在左上角出现数据源3.从组件中拖一个列表参数过来4.拖过来是这样子的,右键,录入数据5.录入固定数据,绑定数据源(记得按“应用”和“确定”)添加完就下面这样了6….

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号