解讀反向傳播算法(BackPropagation)

冒泡~周末愉快鴨渴杆!

反向傳播算法(BackPropagation)

概念

1.什么是BP 算法?
BP算法全稱叫作誤差反向傳播(error Back Propagation宪塔,或者也叫作誤差逆?zhèn)鞑?算法磁奖。BP神經(jīng)網(wǎng)絡(luò)是由一個輸入層、一個輸出層和一個或多個隱層構(gòu)成的某筐,它的激活函數(shù)采用sigmoid函數(shù)比搭。在這其中,輸入信號經(jīng)輸入層輸入南誊,通過隱層計算由輸出層輸出身诺,輸出值與標記值比較蜜托,若有誤差,將誤差反向由輸出層向輸入層傳播戚长,在這個過程中盗冷,利用梯度下降算法對神經(jīng)元權(quán)值進行調(diào)整。
2.為什么要使用BP算法同廉?直接使用梯度下降不行嗎仪糖?
不行的,縱然梯度下降神通廣大迫肖,卻不是萬能的锅劝。梯度下降可以應(yīng)對帶有明確求導(dǎo)函數(shù)的情況,或者說可以應(yīng)對那些可以求出誤差的情況蟆湖,比如邏輯回歸故爵,我們可以把它看做沒有隱層的網(wǎng)絡(luò);但對于多隱層的神經(jīng)網(wǎng)絡(luò)隅津,輸出層可以直接求出誤差來更新參數(shù)诬垂,但其中隱層的誤差是不存在的,因此不能對它直接應(yīng)用梯度下降伦仍,而是先將誤差反向傳播至隱層结窘,然后再應(yīng)用梯度下降,其中將誤差從末層往前傳遞的過程需要鏈式法則(Chain Rule)的幫助充蓝,因此反向傳播算法可以說是梯度下降在鏈式法則中的應(yīng)用隧枫。

舉個例子:
如下圖所示,這是帶有一個隱層的三層神經(jīng)網(wǎng)絡(luò)谓苟,
-小女孩→隱藏層節(jié)點
-小黃帽→輸出層節(jié)點
-哆啦A夢→誤差
小女孩左側(cè)接受輸入信號官脓,經(jīng)過隱層節(jié)點產(chǎn)生輸出結(jié)果,哆啦A夢則指導(dǎo)參數(shù)往更優(yōu)的方向調(diào)整涝焙。由于哆啦A夢可以直接將誤差反饋給小黃帽卑笨,所以與小黃帽直接相連的左側(cè)參數(shù)矩陣可以直接通過誤差進行參數(shù)優(yōu)化(實縱線);而與小女孩直接相連的左側(cè)參數(shù)矩陣由于不能得到哆啦A夢的直接反饋而不能直接被優(yōu)化(虛棕線)纱皆。但由于反向傳播算法使得哆啦A夢的反饋可以被傳遞到小女孩那進而產(chǎn)生間接誤差湾趾,所以與小女孩直接相連的左側(cè)權(quán)重矩陣可以通過間接誤差得到權(quán)重更新,迭代幾輪派草,誤差會降低到最小搀缠。(也就是說小男孩得到的是直接誤差,小女孩是間接誤差

參考于(http://www.reibang.com/p/964345dddb70)

具體過程

接下來將用例子演示整個過程
假設(shè)有下圖這樣一個帶權(quán)值的網(wǎng)絡(luò)層近迁,第一層是輸入層艺普,包含兩個神經(jīng)元i1,i2,和截距項b1歧譬;第二層是隱含層岸浑,包含兩個神經(jīng)元h1,h2和截距項b2,第三層是輸出o1,o2瑰步,每條線上標的wi是層與層之間連接的權(quán)重矢洲,激活函數(shù)我們默認為sigmoid函數(shù)。


輸入數(shù)據(jù) i1=0.05缩焦,i2=0.10;
輸出數(shù)據(jù) o1=0.01,o2=0.99;
初始權(quán)重 w1=0.15,w2=0.20,w3=0.25,w4=0.30;w5=0.40,w6=0.45,w7=0.50,w8=0.55
目標:給出輸入數(shù)據(jù)i1,i2(0.05和0.10)读虏,使輸出盡可能與原始輸出o1,o2(0.01和0.99)接近。

步驟一:前向傳播

通過前向傳播我們得到輸出值為[0.75136079 , 0.772928465]袁滥,與實際值[0.01 , 0.99]相差還很遠盖桥,接下來我們對誤差進行反向傳播,更新權(quán)值题翻,重新計算輸出揩徊。

步驟二:反向傳播


進行完這一小步之后,需要先引入一個概念:鏈式法則
繼續(xù)求解:
分別計算:
然后三者相乘嵌赠,這樣我們就計算出整體誤差E(total)對w5的偏導(dǎo)值為0.082167041

補充:

3.輸入層---->隱含層的權(quán)值更新:
在上文計算總誤差對w5的偏導(dǎo)時塑荒,是從out(o1)---->net(o1)---->w5,但是在隱含層之間的權(quán)值更新時,是out(h1)---->net(h1)---->w1,而out(h1)會接受E(o1)和E(o2)兩個地方傳來的誤差姜挺,所以這個地方兩個都要計算袜炕。


進入計算:
這樣誤差反向傳播法就完成了,最后我們再把更新的權(quán)值重新計算初家,不停地迭代,在這個例子中第一次迭代之后乌助,總誤差E(total)由0.298371109下降至0.291027924溜在。迭代10000次后,總誤差為0.000035085他托,輸出為[0.015912196,0.984065734]掖肋,原輸入為[0.01,0.99],可以證明效果還是不錯的。
此過程具體參考感謝(https://www.cnblogs.com/charlotte77/p/5629865.html


總結(jié)

根據(jù)BP算法的過程演示,可以得到BP算法的一般過程:
1. 正向傳播FP(求損失)
此過程中赏参,我們根據(jù)輸入的樣本志笼、給定的初始化權(quán)重值W和偏置項的值b, 計算最終輸出值以及輸出值與實際值之間的損失值。(注意:如果損失值不在給定的范圍內(nèi)則進行接下來反向傳播的過程把篓, 否則停止W,b的更新纫溃。
2.反向傳播BP(回傳誤差)
將輸出以某種形式通過隱層向輸入層逐層反傳,并將誤差分攤給各層的所有單元,從而獲得各層單元的誤差信號,此誤差信號即作為修正各單元權(quán)值的依據(jù)韧掩。(主要為: ①隱層到輸出層的參數(shù)W的更新 ②從輸入層到隱層的參數(shù)W的更新紊浩。

Ending~理解計算和公式還是很重要的鴨!

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末,一起剝皮案震驚了整個濱河市坊谁,隨后出現(xiàn)的幾起案子费彼,更是在濱河造成了極大的恐慌,老刑警劉巖口芍,帶你破解...
    沈念sama閱讀 217,406評論 6 503
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件箍铲,死亡現(xiàn)場離奇詭異,居然都是意外死亡鬓椭,警方通過查閱死者的電腦和手機颠猴,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 92,732評論 3 393
  • 文/潘曉璐 我一進店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來膘融,“玉大人芙粱,你說我怎么就攤上這事⊙跤常” “怎么了春畔?”我有些...
    開封第一講書人閱讀 163,711評論 0 353
  • 文/不壞的土叔 我叫張陵,是天一觀的道長岛都。 經(jīng)常有香客問我律姨,道長,這世上最難降的妖魔是什么臼疫? 我笑而不...
    開封第一講書人閱讀 58,380評論 1 293
  • 正文 為了忘掉前任择份,我火速辦了婚禮,結(jié)果婚禮上烫堤,老公的妹妹穿的比我還像新娘荣赶。我一直安慰自己,他們只是感情好鸽斟,可當(dāng)我...
    茶點故事閱讀 67,432評論 6 392
  • 文/花漫 我一把揭開白布拔创。 她就那樣靜靜地躺著,像睡著了一般富蓄。 火紅的嫁衣襯著肌膚如雪剩燥。 梳的紋絲不亂的頭發(fā)上,一...
    開封第一講書人閱讀 51,301評論 1 301
  • 那天立倍,我揣著相機與錄音灭红,去河邊找鬼。 笑死口注,一個胖子當(dāng)著我的面吹牛变擒,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播疆导,決...
    沈念sama閱讀 40,145評論 3 418
  • 文/蒼蘭香墨 我猛地睜開眼赁项,長吁一口氣:“原來是場噩夢啊……” “哼葛躏!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起悠菜,我...
    開封第一講書人閱讀 39,008評論 0 276
  • 序言:老撾萬榮一對情侶失蹤舰攒,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后悔醋,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體摩窃,經(jīng)...
    沈念sama閱讀 45,443評論 1 314
  • 正文 獨居荒郊野嶺守林人離奇死亡,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 37,649評論 3 334
  • 正文 我和宋清朗相戀三年芬骄,在試婚紗的時候發(fā)現(xiàn)自己被綠了猾愿。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片。...
    茶點故事閱讀 39,795評論 1 347
  • 序言:一個原本活蹦亂跳的男人離奇死亡账阻,死狀恐怖蒂秘,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情淘太,我是刑警寧澤姻僧,帶...
    沈念sama閱讀 35,501評論 5 345
  • 正文 年R本政府宣布,位于F島的核電站蒲牧,受9級特大地震影響撇贺,放射性物質(zhì)發(fā)生泄漏。R本人自食惡果不足惜冰抢,卻給世界環(huán)境...
    茶點故事閱讀 41,119評論 3 328
  • 文/蒙蒙 一松嘶、第九天 我趴在偏房一處隱蔽的房頂上張望。 院中可真熱鬧挎扰,春花似錦翠订、人聲如沸。這莊子的主人今日做“春日...
    開封第一講書人閱讀 31,731評論 0 22
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽。三九已至骇吭,卻和暖如春,著一層夾襖步出監(jiān)牢的瞬間歧寺,已是汗流浹背燥狰。 一陣腳步聲響...
    開封第一講書人閱讀 32,865評論 1 269
  • 我被黑心中介騙來泰國打工, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留斜筐,地道東北人龙致。 一個月前我還...
    沈念sama閱讀 47,899評論 2 370
  • 正文 我出身青樓,卻偏偏與公主長得像顷链,于是被迫代替她去往敵國和親目代。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 44,724評論 2 354

推薦閱讀更多精彩內(nèi)容

  • 寫作這回事很有趣,就像自己跟自己在談一場戀愛榛了,注定要以悲劇收尾
    陸嘉依閱讀 318評論 3 8
  • 旅游很容易遭遇降頭 降頭:飛頭降 下降地點:馬來西亞 下降過程: 今年的十一黃金周長假在讶,我跟朋友去馬來西...
    盛哥閱讀 845評論 0 0
  • 今天早上在婦幼抽了兩罐血,本以為自己已經(jīng)很早了霜大,然而還是要等到下午才出結(jié)果构哺,以前在手機上就可以看結(jié)果,一直提心吊膽...
    5b5a7ff39e36閱讀 156評論 0 0
  • 第29篇 《你在的城市下雪了嗎》 寒風(fēng)把艷陽藏了起來 綠草和花朵在抖動著身體 漫天飛來飛去的雪花 其實那不是雪花 ...
    好郝說話閱讀 326評論 0 2