Machine Learning Week 5-Neural Networks(2)

17/11/09 MWhite's learning notes

1. Neural Networks-Theta

1.1 Cost Function

  • L = total number of layers in the network
  • sl = number of units (not counting bias unit) in layer l
  • K = number of output units/classes


The number of columns in our current theta matrix is equal to the number of nodes in our current layer (including the bias unit). The number of rows in our current theta matrix is equal to the number of nodes in the next layer (excluding the bias unit).

1.2 Backpropagation Algorithm


Computer δ:



We want to minimize the cost function, so we need to figure out the partial derivative, and that is:


2. Skills

2.1 Unrolling Parameters

thetaVector = [ Theta1(:); Theta2(:); Theta3(:); ]
deltaVector = [ D1(:); D2(:); D3(:) ]
Theta1 = reshape(thetaVector(1:110),10,11)
Theta2 = reshape(thetaVector(111:220),10,11)
Theta3 = reshape(thetaVector(221:231),1,11)

2.2 Gradient Checking


epsilon = 1e-4;
for i = 1:n,
  thetaPlus = theta;
  thetaPlus(i) += epsilon;
  thetaMinus = theta;
  thetaMinus(i) -= epsilon;
  gradApprox(i) = (J(thetaPlus) - J(thetaMinus))/(2*epsilon)
end;

Once you have verified once that your backpropagation algorithm is correct, you don't need to compute gradApprox again. The code to compute gradApprox can be very slow.

2.3 Random Initialization

If the dimensions of Theta1 is 10x11, Theta2 is 10x11 and Theta3 is 1x11.

Theta1 = rand(10,11) * (2 * INIT_EPSILON) - INIT_EPSILON;
Theta2 = rand(10,11) * (2 * INIT_EPSILON) - INIT_EPSILON;
Theta3 = rand(1,11) * (2 * INIT_EPSILON) - INIT_EPSILON;

summary

  • Number of input units = dimension of features x(i)
  • Number of output units = number of classes
  • Number of hidden units per layer = usually more the better (must balance with cost of computation as it increases with more hidden units)
  • Defaults: 1 hidden layer. If you have more than 1 hidden layer, then it is recommended that you have the same number of units in every hidden layer.

Training a Neural Network

  1. Randomly initialize the weights
    for i=1:m
  2. Implement forward propagation to get hΘ(x(i)) for any x(i)
  3. Implement the cost function
  4. Implement backpropagation to compute partial derivatives
    end;
  5. Use gradient checking to confirm that your backpropagation works. Then disable gradient checking.
  6. Use gradient descent or a built-in optimization function to minimize the cost function with the weights in theta.
for i = 1:m,
   Perform forward propagation and backpropagation using example (x(i),y(i))
   (Get activations a(l) and delta terms d(l) for l = 2,...,L
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:七十年代末捣鲸,一起剝皮案震驚了整個濱河市赏酥,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌流码,老刑警劉巖署惯,帶你破解...
    沈念sama閱讀 211,639評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件左驾,死亡現(xiàn)場離奇詭異,居然都是意外死亡极谊,警方通過查閱死者的電腦和手機诡右,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,277評論 3 385
  • 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怀酷,“玉大人稻爬,你說我怎么就攤上這事⊥梢溃” “怎么了桅锄?”我有些...
    開封第一講書人閱讀 157,221評論 0 348
  • 文/不壞的土叔 我叫張陵琉雳,是天一觀的道長。 經(jīng)常有香客問我友瘤,道長翠肘,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 56,474評論 1 283
  • 正文 為了忘掉前任辫秧,我火速辦了婚禮束倍,結(jié)果婚禮上,老公的妹妹穿的比我還像新娘盟戏。我一直安慰自己绪妹,他們只是感情好,可當(dāng)我...
    茶點故事閱讀 65,570評論 6 386
  • 文/花漫 我一把揭開白布柿究。 她就那樣靜靜地躺著邮旷,像睡著了一般。 火紅的嫁衣襯著肌膚如雪蝇摸。 梳的紋絲不亂的頭發(fā)上婶肩,一...
    開封第一講書人閱讀 49,816評論 1 290
  • 那天,我揣著相機與錄音貌夕,去河邊找鬼律歼。 笑死,一個胖子當(dāng)著我的面吹牛啡专,可吹牛的內(nèi)容都是我干的险毁。 我是一名探鬼主播,決...
    沈念sama閱讀 38,957評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼植旧,長吁一口氣:“原來是場噩夢啊……” “哼辱揭!你這毒婦竟也來了?” 一聲冷哼從身側(cè)響起病附,我...
    開封第一講書人閱讀 37,718評論 0 266
  • 序言:老撾萬榮一對情侶失蹤问窃,失蹤者是張志新(化名)和其女友劉穎,沒想到半個月后完沪,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體域庇,經(jīng)...
    沈念sama閱讀 44,176評論 1 303
  • 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 36,511評論 2 327
  • 正文 我和宋清朗相戀三年覆积,在試婚紗的時候發(fā)現(xiàn)自己被綠了听皿。 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 38,646評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡宽档,死狀恐怖尉姨,靈堂內(nèi)的尸體忽然破棺而出,到底是詐尸還是另有隱情吗冤,我是刑警寧澤又厉,帶...
    沈念sama閱讀 34,322評論 4 330
  • 正文 年R本政府宣布九府,位于F島的核電站,受9級特大地震影響覆致,放射性物質(zhì)發(fā)生泄漏侄旬。R本人自食惡果不足惜,卻給世界環(huán)境...
    茶點故事閱讀 39,934評論 3 313
  • 文/蒙蒙 一煌妈、第九天 我趴在偏房一處隱蔽的房頂上張望儡羔。 院中可真熱鬧,春花似錦璧诵、人聲如沸汰蜘。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,755評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽鉴扫。三九已至,卻和暖如春澈缺,著一層夾襖步出監(jiān)牢的瞬間,已是汗流浹背炕婶。 一陣腳步聲響...
    開封第一講書人閱讀 31,987評論 1 266
  • 我被黑心中介騙來泰國打工姐赡, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留,地道東北人柠掂。 一個月前我還...
    沈念sama閱讀 46,358評論 2 360
  • 正文 我出身青樓项滑,卻偏偏與公主長得像,于是被迫代替她去往敵國和親涯贞。 傳聞我的和親對象是個殘疾皇子枪狂,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,514評論 2 348