反向传播算法(过程及公式推导)
2016-04-01 21:19
344 查看
反向传播算法(Backpropagation)是目前用来训练人工神经网络(Artificial Neural Network,ANN)的最常用且最有效的算法。其主要思想是:
(1)将训练集数据输入到ANN的输入层,经过隐藏层,最后达到输出层并输出结果,这是ANN的前向传播过程;
(2)由于ANN的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各种参数的值;不断迭代上述过程,直至收敛。
反向传播算法的思想比较容易理解,但具体的公式则要一步步推导,因此本文着重介绍公式的推导过程。
上图是一个三层人工神经网络,layer1至layer3分别是输入层、隐藏层和输出层。如图,先定义一些变量:
表示第
层的第
个神经元连接到第
层的第
个神经元的权重;
表示第
层的第
个神经元的偏置;
表示第
层的第
个神经元的输入,即
:
表示第
层的第
个神经元的输出,即
:
其中
表示激活函数。
其中,
表示输入的样本,
表示实际的分类,
表示预测的输出,
表示神经网络的最大层数。
首先,将第
层第
个神经元中产生的错误(即实际值与预测值之间的误差)定义为:
本文将以一个输入样本为例进行说明,此时代价函数表示为:
公式1(计算最后一层神经网络产生的错误):
其中,
表示Hadamard乘积,用于矩阵或向量之间点对点的乘法运算。公式1的推导过程如下:
公式2(由后往前,计算每一层神经网络产生的错误):
推导过程:
公式3(计算权重的梯度):
推导过程:
公式4(计算偏置的梯度):
推导过程:
对于训练集中的每个样本x,设置输入层(Input layer)对应的激活值
:
前向传播:
,
计算输出层产生的错误:
反向传播错误:
使用梯度下降(gradient descent),训练参数:
(1)将训练集数据输入到ANN的输入层,经过隐藏层,最后达到输出层并输出结果,这是ANN的前向传播过程;
(2)由于ANN的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各种参数的值;不断迭代上述过程,直至收敛。
反向传播算法的思想比较容易理解,但具体的公式则要一步步推导,因此本文着重介绍公式的推导过程。
1. 变量定义
上图是一个三层人工神经网络,layer1至layer3分别是输入层、隐藏层和输出层。如图,先定义一些变量:
表示第
层的第
个神经元连接到第
层的第
个神经元的权重;
表示第
层的第
个神经元的偏置;
表示第
层的第
个神经元的输入,即
:
表示第
层的第
个神经元的输出,即
:
其中
表示激活函数。
2. 代价函数
代价函数被用来计算ANN输出值与实际值之间的误差。常用的代价函数是二次代价函数(Quadratic cost function):其中,
表示输入的样本,
表示实际的分类,
表示预测的输出,
表示神经网络的最大层数。
3. 公式及其推导
本节将介绍反向传播算法用到的4个公式,并进行推导。如果不想了解公式推导过程,请直接看第4节的算法步骤。首先,将第
层第
个神经元中产生的错误(即实际值与预测值之间的误差)定义为:
本文将以一个输入样本为例进行说明,此时代价函数表示为:
公式1(计算最后一层神经网络产生的错误):
其中,
表示Hadamard乘积,用于矩阵或向量之间点对点的乘法运算。公式1的推导过程如下:
公式2(由后往前,计算每一层神经网络产生的错误):
推导过程:
公式3(计算权重的梯度):
推导过程:
公式4(计算偏置的梯度):
推导过程:
4. 反向传播算法伪代码
输入训练集对于训练集中的每个样本x,设置输入层(Input layer)对应的激活值
:
前向传播:
,
计算输出层产生的错误:
反向传播错误:
使用梯度下降(gradient descent),训练参数:
相关文章推荐
- javaweb学习
- Machine Learning第六周笔记一:评估学习算法和bias/variance
- Pointer is missing a nullability type specifier (_Nonnull, _Nullable, or _Null_unspecified
- Spring第一天学习总结
- Unicode&UTF-8的区别
- linux c system函数执行命令的返回值
- C#课后题+上机(四)
- Linux SD卡驱动开发(一) —— SD 相关基础概念
- 第5周项目1 三角形雏形
- 位图
- 多线程笔试面试概念问答
- css margin重叠
- Python之re模块 —— 正则表达式操作
- 专题一 · 1002
- HDU 4123 Bob’s Race(树形DP,rmq)
- java chrome ie
- 解决 internet connection sharing 启动不了
- Linux内核分析(六)
- 第六周上机实践项目——项目1-分数类的雏形
- 一总结