反向传播算法（过程及公式推导）

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。

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：