DNN

DNN算法的基本思想

多層感知器在如何獲取隱層的權(quán)值的問題上遇到了瓶頸已亥。既然我們無法直接得到隱層的權(quán)值助币,能否先通過輸出層得到輸出結(jié)果和期望輸出的誤差來間接調(diào)整隱層的權(quán)值呢铸屉?BP算法就是采用這樣的思想設(shè)計出來的算法埠褪,它的精髓就是,學(xué)習(xí)過程由信號的正向傳播與誤差的反向傳播兩個過程組成瘸味。

正向傳播時宫仗,輸入樣本從輸入層傳入(layer1),經(jīng)各隱層逐層(layer2)處理后,傳向輸出層(layer3)。若輸出層的實際輸出與期望的輸出(教師信號)不符,則轉(zhuǎn)入誤差的反向傳播階段旁仿。

反向傳播時藕夫,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?jǐn)偨o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)。

說明上圖各符號代表意思
ωijl表示第l-1層第j個元素與第l層第i個元素的連接參數(shù)
Zil第l層第i個元素輸入Zil= Σjωijlajl-1+bil
ail=σ(Zil)
值從第一層向后傳播做運算直到輸出,正向傳播就結(jié)束了!

計算更新ωijl毅贮,目標(biāo)函數(shù)J(W,b,x,y),為了描述方便這里使用最簡單的目標(biāo)函數(shù)(一次計算一個樣本)


如果覺得矩陣運算費解办悟,還可以這樣

結(jié)合圖形與倒數(shù)第二個等式,對ωijL求偏導(dǎo)數(shù)滩褥,等于對應(yīng)分量誤差對其偏導(dǎo),更能體現(xiàn)反向傳播的意義病蛉。
上面求了WL的偏導(dǎo),下面求J對WL-1的偏導(dǎo)

依次類推可以求出每一層W梯度铸题,更新W與b

均方差損失函數(shù)+Sigmoid激活函數(shù)的問題

Sigmoid函數(shù)


當(dāng)模型運行后铡恕,越來越接近目標(biāo)值,激活函數(shù)Sigmoid變的非常平滑丢间,σ'越接近0探熔,導(dǎo)致梯度消失,更新W烘挫,b更新到極值的速度較慢诀艰,算法收斂速度較慢。

交叉熵?fù)p失函數(shù)+Sigmoid激活函數(shù)改進(jìn)DNN算法收斂速度饮六,這個也只能消除L層的影響其垄,其余層的還是不能消除

交叉熵?fù)p失函數(shù)

使用對數(shù)似然損失函數(shù)和softmax激活函數(shù)進(jìn)行DNN分類輸出

在前面我們講的所有DNN相關(guān)知識中,我們都假設(shè)輸出是連續(xù)可導(dǎo)的值卤橄。但是如果是分類問題绿满,那么輸出是一個個的類別,那我們怎么用DNN來解決這個問題呢窟扑?
比如假設(shè)我們有一個三個類別的分類問題喇颁,這樣我們的DNN輸出層應(yīng)該有三個神經(jīng)元,假設(shè)第一個神經(jīng)元對應(yīng)類別一嚎货,第二個對應(yīng)類別二橘霎,第三個對應(yīng)類別三,這樣我們期望的輸出應(yīng)該是(1,0,0)殖属,(0,1,0)和(0,0,1)這三種姐叁。即樣本真實類別對應(yīng)的神經(jīng)元輸出應(yīng)該無限接近或者等于1,而非改樣本真實輸出對應(yīng)的神經(jīng)元的輸出應(yīng)該無限接近或者等于0洗显⊥馇保或者說,我們希望輸出層的神經(jīng)元對應(yīng)的輸出是若干個概率值挠唆,這若干個概率值即我們DNN模型對于輸入值對于各類別的輸出預(yù)測处窥,同時為滿足概率模型,這若干個概率值之和應(yīng)該等于1损搬。DNN分類模型要求是輸出層神經(jīng)元輸出的值在0到1之間碧库,同時所有輸出值之和為1柜与。很明顯,現(xiàn)有的普通DNN是無法滿足這個要求的嵌灰。但是我們只需要對現(xiàn)有的全連接DNN稍作改良弄匕,即可用于解決分類問題。在現(xiàn)有的DNN模型中沽瞭,我們可以將輸出層第i個神經(jīng)元的激活函數(shù)定義為如下形式:

梯度爆炸梯度消失與ReLU激活函數(shù)

對于梯度爆炸(偏導(dǎo)大于1迁匠,乘積積累后越來越大),則一般可以通過調(diào)整我們DNN模型中的初始化參數(shù)得以解決驹溃。

對于無法完美解決的梯度消失問題城丧,目前有很多研究,一個可能部分解決梯度消失問題的辦法是使用ReLU(Rectified Linear Unit)激活函數(shù)豌鹤,ReLU在卷積神經(jīng)網(wǎng)絡(luò)CNN中得到了廣泛的應(yīng)用亡哄,在CNN中梯度消失似乎不再是問題。那么它是什么樣子呢布疙?其實很簡單蚊惯,比我們前面提到的所有激活函數(shù)都簡單,表達(dá)式為:
σ(z)=max(0,z)
  也就是說大于等于0則不變灵临,小于0則激活后為0截型。就這么一玩意就可以解決梯度消失?至少部分是的儒溉。這個函數(shù)小于0的部分σ'=0,大于0部分σ'=1

參考

深度神經(jīng)網(wǎng)絡(luò)(DNN)反向傳播算法(BP)

最后編輯于
?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:七十年代末宦焦,一起剝皮案震驚了整個濱河市,隨后出現(xiàn)的幾起案子顿涣,更是在濱河造成了極大的恐慌波闹,老刑警劉巖,帶你破解...
    沈念sama閱讀 222,104評論 6 515
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件园骆,死亡現(xiàn)場離奇詭異舔痪,居然都是意外死亡寓调,警方通過查閱死者的電腦和手機(jī)锌唾,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 94,816評論 3 399
  • 文/潘曉璐 我一進(jìn)店門,熙熙樓的掌柜王于貴愁眉苦臉地迎上來夺英,“玉大人晌涕,你說我怎么就攤上這事⊥疵酰” “怎么了余黎?”我有些...
    開封第一講書人閱讀 168,697評論 0 360
  • 文/不壞的土叔 我叫張陵,是天一觀的道長载萌。 經(jīng)常有香客問我惧财,道長巡扇,這世上最難降的妖魔是什么? 我笑而不...
    開封第一講書人閱讀 59,836評論 1 298
  • 正文 為了忘掉前任垮衷,我火速辦了婚禮厅翔,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘搀突。我一直安慰自己刀闷,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 68,851評論 6 397
  • 文/花漫 我一把揭開白布仰迁。 她就那樣靜靜地躺著甸昏,像睡著了一般。 火紅的嫁衣襯著肌膚如雪徐许。 梳的紋絲不亂的頭發(fā)上施蜜,一...
    開封第一講書人閱讀 52,441評論 1 310
  • 那天,我揣著相機(jī)與錄音雌隅,去河邊找鬼花墩。 笑死,一個胖子當(dāng)著我的面吹牛澄步,可吹牛的內(nèi)容都是我干的冰蘑。 我是一名探鬼主播,決...
    沈念sama閱讀 40,992評論 3 421
  • 文/蒼蘭香墨 我猛地睜開眼村缸,長吁一口氣:“原來是場噩夢啊……” “哼祠肥!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起梯皿,我...
    開封第一講書人閱讀 39,899評論 0 276
  • 序言:老撾萬榮一對情侶失蹤仇箱,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后东羹,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體剂桥,經(jīng)...
    沈念sama閱讀 46,457評論 1 318
  • 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 38,529評論 3 341
  • 正文 我和宋清朗相戀三年属提,在試婚紗的時候發(fā)現(xiàn)自己被綠了权逗。 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 40,664評論 1 352
  • 序言:一個原本活蹦亂跳的男人離奇死亡冤议,死狀恐怖斟薇,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情恕酸,我是刑警寧澤堪滨,帶...
    沈念sama閱讀 36,346評論 5 350
  • 正文 年R本政府宣布,位于F島的核電站蕊温,受9級特大地震影響袱箱,放射性物質(zhì)發(fā)生泄漏遏乔。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 42,025評論 3 334
  • 文/蒙蒙 一发笔、第九天 我趴在偏房一處隱蔽的房頂上張望按灶。 院中可真熱鬧,春花似錦筐咧、人聲如沸鸯旁。這莊子的主人今日做“春日...
    開封第一講書人閱讀 32,511評論 0 24
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽铺罢。三九已至,卻和暖如春残炮,著一層夾襖步出監(jiān)牢的瞬間韭赘,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 33,611評論 1 272
  • 我被黑心中介騙來泰國打工势就, 沒想到剛下飛機(jī)就差點兒被人妖公主榨干…… 1. 我叫王不留泉瞻,地道東北人。 一個月前我還...
    沈念sama閱讀 49,081評論 3 377
  • 正文 我出身青樓苞冯,卻偏偏與公主長得像袖牙,于是被迫代替她去往敵國和親。 傳聞我的和親對象是個殘疾皇子舅锄,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 45,675評論 2 359

推薦閱讀更多精彩內(nèi)容