《机器学习算法与实现 —— Python编程与应用实例》神经网络的训练 - 反向传播算法

lospring

《机器学习算法与实现 —— Python编程与应用实例》神经网络的训练 - 反向传播算法 [复制链接]

在多层神经网络中有这样一个问题：最后一层的参数可以用这样的方式求解得到；隐层节点没有输出的真值，因此无法直接构建损失函数来求解。

反向传播算法可以解决该问题，反射传播自满其实就是链式求导法则的应用。

按照机器学习的通用求解思路，我们先确定神经网络的目标函数，然后用随机梯度下降优化算法去求目标函数最小值时的参数值。

取网络所有输出层节点的误差平方和作为目标函数：

 

其中，Ed表示是样本d的误差, t是样本的标签值，y是神经网络的输出值。

然后，使用随机梯度下降算法对目标函数进行优化：

 

随机梯度下降算法也就是需要求出误差Ed对于每个权重wji的偏导数（也就是梯度），如何求解？

 

观察上图，可发现权重wji仅能通过影响节点j的输入值影响网络的其它部分，设netj是节点j的加权输入，即

 

Ed是netj的函数，而netj是wji的函数。根据链式求导法则，可以得到：

 

上式中，xji是节点传递给节点j的输入值，也就是节点i的输出值。

对于的∂Ed/∂netj推导，需要区分输出层和隐藏层两种情况。

1、输出层权值训练

 

对于输出层来说，netj仅能通过节点j的输出值yj来影响网络其它部分，也就是说Ed是yj的函数，而yj是netj的函数，其中yj=sigmod(netj)。所以我们可以再次使用链式求导法则：

 

其中：

   

将第一项和第二项带入，得到：

 

如果令δj=−∂Ed/∂netj，也就是一个节点的误差项δ是网络误差对这个节点输入的偏导数的相反数。带入上式，得到：

 

将上述推导带入随机梯度下降公式，得到：

 

2、隐藏层权值训练

 

现在我们要推导出隐藏层的∂Ed/∂netj∂：

 

首先，我们需要定义节点j的所有直接下游节点的集合Downstream(j)。例如，对于节点4来说，它的直接下游节点是节点8、节点9。可以看到netj只能通过影响Downstream(j)再影响Ed。设netk是节点j的下游节点的输入，则Ed是netk的函数，而netk是netj的函数。因为netk有多个，我们应用全导数公式，可以做出如下推导：

 

因为δj=−∂Ed/∂netj，带入上式得到：

 

至此，我们已经推导出了反向传播算法。需要注意的是，我们刚刚推导出的训练规则是根据激活函数是sigmoid函数、平方和误差、全连接网络、随机梯度下降优化算法。如果激活函数不同、误差计算方式不同、网络连接结构不同、优化算法不同，则具体的训练规则也会不一样。但是无论怎样，训练规则的推导方式都是一样的，应用链式求导法则进行推导即可。

3、具体解释

 

然后，按照下面的方法计算出每个节点的误差项δi：

对于输出层节点i

其中，δi是节点i的误差项，yi是节点i的输出值，ti是样本对应于节点i的目标值。举个例子，根据上图，对于输出层节点8来说，它的输出值是y1，而样本的目标值是t1，带入上面的公式得到节点8的误差项应该是：

 

对于隐藏层节点

 

其中，ai是节点i的输出值，wki是节点i到它的下一层节点k的连接的权重，δk是节点i的下一层节点k的误差项。例如，对于隐藏层节点4来说，计算方法如下：

 

最后，更新每个连接上的权值：

 

其中，wji是节点i到节点j的权重，η是一个成为学习速率的常数，δj是节点j的误差项，xji是节点i传递给节点j的输入。例如，权重w84的更新方法如下：

 

类似的，权重w41的更新方法如下：

 

偏置项的输入值永远为1。例如，节点4的偏置项w4b应该按照下面的方法计算：

 

计算一个节点的误差项，需要先计算每个与其相连的下一层节点的误差项，这就要求误差项的计算顺序必须是从输出层开始，然后反向依次计算每个隐藏层的误差项，直到与输入层相连的那个隐藏层，这就是反向传播算法的名字的含义。当所有节点的误差项计算完毕后，就可以根据式5来更新所有的权重。

以上就是反向传播算法的一个求解过程，整个过程也是搬抄其它大佬的结果，希望对大家有点帮助。