台大李宏毅Machine Learning 2017Fall学习笔记 (8)Backpropagation
2018-01-09 15:39
381 查看
台大李宏毅Machine Learning 2017Fall学习笔记 (8)Backpropagation
当网络结构很复杂时,会有大量的参数。∇L(θ)是百万维的向量。如何高效地计算百万维的参数,使用反向传播算法来计算。BP并非是一个和GD不同的训练方法,BP就是GD,只是是一种比较有效率的计算方法。数学知识铺垫:微积分中的链式法则,很简单。
还是以上节中手写数字识别为例。
xn是一张输入图片,yn是网络的输出label向量,y^n是该图片的真值label向量。Cn是输出值和真实值的交叉熵损失。定义L(θ)为损失函数。
L(θ)=∑n=1NCn(θ)
损失函数对参数的导数为:
∂L(θ)∂w=∑n=1N∂Cn(θ)∂w
如下图所示:∂C∂w=∂z∂w∂C∂z,Backpropagation算法分为两个过程。
Forward pass
首先计算前向传播中的∂z∂w。以上图为例。∂z∂w1=x1
∂z∂w2=x2
显然这一步比较简单,某一参数的微分值就是其对应的输入值。注意要把所有∂z∂w的值计算出来。
Backward pass
然后计算反向传播中损失函数对于激活函数输入值的偏微分∂C∂z。如下图中所示:∂C∂z=∂a∂z∂C∂a,∂a∂z=σ′(z)。
利用链式法则计算∂C∂a.
稍微整理一下,成为下图这样。
下图中很形象地展示了反向传播的概念,σ′(z)类似模拟电路中的放大器。
最后一步是计算∂C∂z′和∂C∂z′′。这分两种情况:1)z′和z′′的下一层是输出层;2)z′和z′′的下一层不是输出层。
Case1:输出层
Case2:非输出层
不断地递归计算∂C∂z,直至输出层,如下图。
注意:在backward pass过程中也需要对所有的z,计算出∂C∂z.
Summary
一图胜千言。相关文章推荐
- 台大李宏毅Machine Learning 2017Fall学习笔记 (2)Linear Regression and Overfitting
- 台大李宏毅Machine Learning 2017Fall学习笔记 (7)Introduction of Deep Learning
- 台大李宏毅Machine Learning 2017Fall学习笔记 (4)Gradient Descent
- 台大李宏毅Machine Learning 2017Fall学习笔记 (5)Classification: Probabilistic Generative Model
- 台大李宏毅Machine Learning 2017Fall学习笔记 (14)Unsupervised Learning:Linear Dimension Reduction
- 台大李宏毅Machine Learning 2017Fall学习笔记 (10)Tips for Deep Learning
- 台大李宏毅Machine Learning 2017Fall学习笔记 (13)Semi-supervised Learning
- 台大李宏毅Machine Learning 2017Fall学习笔记 (6)Logistic Regression
- 台大李宏毅Machine Learning 2017Fall学习笔记 (9)Keras
- 台大李宏毅Machine Learning 2017Fall学习笔记 (11)Convolutional Neural Network
- 台大李宏毅Machine Learning 2017Fall学习笔记 (3)Bias and Variance (v2)
- 台大李宏毅Machine Learning 2017Fall学习笔记 (16)Unsupervised Learning:Neighbor Embedding
- 台大李宏毅Machine Learning 2017Fall学习笔记 (15)Unsupervised Learning:Word Embedding
- 台大李宏毅2017深度学习国语课程(更新)
- 2017补全计划-JS的工厂模式-学习笔记
- 【台大李宏毅ML课程】Lecture 3 Gradient Descent笔记
- 16/11/2017 shell学习笔记
- PYTHON 学习笔记10-27-2017
- 台大-林轩田老师-机器学习基石学习笔记10
- [dialog-system]阅读笔记 - 2017__迁移学习在Q-A系统中的应用