一文彻底搞懂BP算法：原理推导+数据演示+项目实战（上篇）

作者：猴小锅公众号：磐创AI

反向传播算法（Backpropagation Algorithm，简称BP算法）是深度学习的重要思想基础，对于初学者来说也是必须要掌握的基础知识！本文希望以一个清晰的脉络和详细的说明，来让读者彻底明白BP算法的原理和计算过程。

全文分为上下两篇，上篇主要介绍BP算法的原理（即公式的推导），介绍完原理之后，我们会将一些具体的数据带入一个简单的三层神经网络中，去完整的体验一遍BP算法的计算过程；下篇是一个项目实战，我们将带着读者一起亲手实现一个BP神经网络（不适用任何第三方的深度学习框架）来解决一个具体的问题。

1. BP算法的推导

                图1 一个简单的三层神经网络
图1所示是一个简单的三层（两个隐藏层，一个输出层）神经网络结构，假设我们使用这个神经网络来解决二分类问题，我们给这个网络一个输入样本，通过前向运算得到输出。输出值的值域为，例如的值越接近0，代表该样本是“0”类的可能性越大，反之是“1”类的可能性大。
1.1 前向传播的计算为了便于理解后续的内容，我们需要先搞清楚前向传播的计算过程，以图1所示的内容为例：输入的样本为： 第一层网络的参数为： 第二层网络的参数为： 第三层网络的参数为：
1.1.1 第一层隐藏层的计算

图2 计算第一层隐藏层第一层隐藏层有三个神经元：neu1、neu2和neu3。该层的输入为： 以神经元neu1为例，则其输入为： 同理有： 假设我们选择函数f(x)作为该层的激活函数（图1中的激活函数都标了一个下标，一般情况下，同一层的激活函数都是一样的，不同层可以选择不同的激活函数），那么该层的输出为：
1.1.2 第二层隐藏层的计算

图3 计算第二层隐藏层第二层隐藏层有两个神经元：neu4和neu5。该层的输入为： 即第二层的输入是第一层的输出乘以第二层的权重，再加上第二层的偏置。因此得到neu4和neu5的输入分别为： 该层的输出分别为： 。
1.1.3 输出层的计算

图4 计算输出层输出层只有一个神经元：neu6。该层的输入为： 即： 因为该网络要解决的是一个二分类问题，所以输出层的激活函数也可以使用一个Sigmoid型函数，神经网络最后的输出为： 。
1.2 反向传播的计算在1.1节里，我们已经了解了数据沿着神经网络前向传播的过程，这一节我们来介绍更重要的反向传播的计算过程。假设我们使用随机梯度下降的方式来学习神经网络的参数，损失函数定义为 ，其中y是该样本的真实类标。使用梯度下降进行参数的学习，我们必须计算出损失函数关于神经网络中各层参数（权重w和偏置b）的偏导数。
假设我们要对第k层隐藏层的参数 求偏导数，即求 。假设 代表第k层神经元的输入，即 ，其中 为前一层神经元的输出，则根据链式法则有： 因此，我们只需要计算偏导数
1.2.1 计算偏导数 前面说过，第k层神经元的输入为： ，因此可以得到： 上式中， 代表第k层神经元的权重矩阵 的第m行， 代表第k层神经元的权重矩阵 的第m行中的第n列。
我们以1.1节中的简单神经网络为例，假设我们要计算第一层隐藏层的神经元关于权重矩阵的导数，则有： 1.2.2 计算偏导数 因为偏置b是一个常数项，因此偏导数的计算也很简单： 依然以第一层隐藏层的神经元为例，则有： 1.2.3 计算偏导数 偏导数 又称为误差项（error term，也称为“灵敏度”），一般用 表示，例如 是第一层神经元的误差项，其值的大小代表了第一层神经元对于最终总误差的影响大小。根据第一节的前向计算，我们知道第k+1层的输入与第k层的输出之间的关系为： 又因为 ，根据链式法则，我们可以得到 为：
由上式我们可以看到，第k层神经元的误差项 是由第k+1层的误差项乘以第k+1层的权重，再乘以第k层激活函数的导数（梯度）得到的。这就是误差的反向传播。现在我们已经计算出了偏导数 可分别表示为： 下面是基于随机梯度下降更新参数的反向传播算法： 单纯的公式推导看起来有些枯燥，下面我们将实际的数据带入图1所示的神经网络中，完整的计算一遍。  

2. 图解BP算法

图5 图解BP算法我们依然使用如图5所示的简单的神经网络，其中所有参数的初始值如下：输入的样本为（假设其真实类标为“1”）： 第一层网络的参数为： 第二层网络的参数为： 第三层网络的参数为： 假设所有的激活函数均为Logistic函数： 使用均方误差函数作为损失函数： 为了方便求导，我们将损失函数简化为： 。 2.1 前向传播我们首先初始化神经网络的参数，计算第一层神经元：
上图中我们计算出了第一层隐藏层的第一个神经元的输入z1和输出 ，同理可以计算第二个和第三个神经元的输入和输出：
接下来是第二层隐藏层的计算，首先我们计算第二层的第一个神经元的输入z4和输出 ： 同样方法可以计算该层的第二个神经元的输入z5和输出 ： 最后计算输出层的输入z6和输出 :  2.2 误差反向传播
首先计算输出层的误差项，我们的误差函数为 ，由于该样本的类标为“1”，而预测值为0.997520293823002，因此误差为0.002479706176998，输出层的误差项为：
接着计算第二层隐藏层的误差项，根据误差项的计算公式有： 最后是计算第一层隐藏层的误差项： 2.3 更新参数上一小节中我们已经计算出了每一层的误差项，现在我们要利用每一层的误差项和梯度来更新每一层的参数，权重W和偏置b的更新公式如下： 通常权重W的更新会加上一个正则化项来避免过拟合，这里为了简化计算，我们省去了正则化项。上式中的 是学习率，我们设其值为0.1。参数更新的计算相对简单，每一层的计算方式都相同，因此本文仅演示第一层隐藏层的参数更新：

3. 小结

至此，我们已经完整介绍了BP算法的原理，并使用具体的数值做了计算。在下篇中，我们将带着读者一起亲手实现一个BP神经网络（不适用任何第三方的深度学习框架），敬请期待！欢迎扫码关注：