福田网站建设结业论文,室内设计师网址导航,全国当先的网络建站推广,郑州买房三大网站反向传播#xff08;back propagation#xff0c;BP#xff09;算法也称误差逆传播#xff0c;是神经网络训练的核心算法。我们通常说的 BP 神经网络是指应用反向传播算法进行训练的神经网络模型。反向传播算法的工作机制究竟是怎样的呢#xff1f;我们以一个两层#xf…反向传播back propagationBP算法也称误差逆传播是神经网络训练的核心算法。我们通常说的 BP 神经网络是指应用反向传播算法进行训练的神经网络模型。反向传播算法的工作机制究竟是怎样的呢我们以一个两层即单隐层网络为例也就是图 8-5 中的网络结构给出反向传播的基本推导过程。
假设输入层为 x x x 有 m m m个训练样本输入层与隐藏层之间的权重和偏置分别为 w 1 w_1 w1 和 b 1 b_1 b1线性加权计算结果为 z 1 w 1 x b 1 z_1 w_1 x b_1 z1w1xb1采用 Sigmoid 激活函数激活输出为 a 1 σ ( z 1 ) a_1 \sigma(z_1) a1σ(z1) 而隐藏层到输出层的权重和偏置分别为 w 2 w_2 w2 和 b 2 b_2 b2线性加权计算结果为 z 2 w 2 x b 2 z_2 w_2 x b_2 z2w2xb2激活输出为 a 2 σ ( z 2 ) a_2 \sigma(z_2) a2σ(z2)。所以这个两层网络的前向计算过程是为 x → z 1 → a 1 → z 2 → a 2 x → z_1 → a_1 → z_2→a_2 x→z1→a1→z2→a2
直观而言反向传播就是将前向计算过程反过来但必须是梯度计算的方向反过来假设这里采用如下交叉熵损失函数 L ( y , a ) − ( y log a ( 1 − y ) log ( 1 − a ) ) (8-11) L(y, a) -(y \log a (1 - y) \log (1 - a)) \tag{8-11} L(y,a)−(yloga(1−y)log(1−a))(8-11)
反向传播是基于梯度下降策略的主要是从目标参数的负梯度方向更新参数所以基于损失函数对前向计算过程中各个变量进行梯度计算是关键。将前向计算过程反过来基于损失函数的梯度计算顺序就是 d a 2 → d z 2 → d w 2 → d b 2 → d a 1 → d z 1 → d w 1 → d b 1 da_2→ dz_2 → dw_2 → db_2→da_1→ dz_1→ dw_1 → db_1 da2→dz2→dw2→db2→da1→dz1→dw1→db1
首先计算损失函数 L ( y , a 2 ) L(y, a_2) L(y,a2) 关于 a 2 a_2 a2 的导数 d a 2 da_2 da2影响输出 a 2 a_2 a2 的是谁呢由前向传播可知 a 2 a_2 a2 是由 z 2 z_2 z2 经激活函数激活后计算而来的所以计算损失函数关于 z 2 z_2 z2 的导数 d z 2 dz_2 dz2必须经过 a 2 a_2 a2 进行复合函数求导即微积分中常说的链式求导法则。然后继续往前推导影响 z 2 z_2 z2 的又是哪些变量呢由前向计算可知 z 2 w 2 x b 2 z_2 w_2x b_2 z2w2xb2影响 z 2 z_2 z2 的有 w 2 w_2 w2 a 1 a_1 a1 和 b 2 b_2 b2继续按照链式求导法则进行求导即可。最终以交叉熵损失函数为代表的两层神经网络的反向传播量化求导计算公式如下 ∂ L ∂ a 2 d d a 2 L ( a 2 , y ) ( − y log a 2 − ( 1 − y ) log ( 1 − a 2 ) ) ′ − y a 2 1 − y 1 − a 2 (8-12) \frac{\partial L}{\partial a_2} \frac{d}{da_2}L(a_2, y) (-y\log a_2 - (1-y)\log(1-a_2)) -\frac{y}{a_2} \frac{1-y}{1-a_2} \tag{8-12} ∂a2∂Lda2dL(a2,y)(−yloga2−(1−y)log(1−a2))′−a2y1−a21−y(8-12) ∂ L ∂ Z 2 ∂ L ∂ a 2 ∂ a 2 ∂ Z 2 a 2 − y (8-13) \frac{\partial L}{\partial Z_2} \frac{\partial L}{\partial a_2}\frac{\partial a_2}{\partial Z_2} a_2 - y \tag{8-13} ∂Z2∂L∂a2∂L∂Z2∂a2a2−y(8-13) ∂ L ∂ w 2 ∂ L ∂ a 2 ∂ a 2 ∂ Z 2 ∂ Z 2 ∂ w 2 1 m ∂ L ∂ Z 2 a 1 1 m ( a 2 − y ) a 1 (8-14) \frac{\partial L}{\partial w_2} \frac{\partial L}{\partial a_2}\frac{\partial a_2}{\partial Z_2}\frac{\partial Z_2}{\partial w_2} \frac{1}{m}\frac{\partial L}{\partial Z_2} a_1 \frac{1}{m}(a_2 - y)a_1 \tag{8-14} ∂w2∂L∂a2∂L∂Z2∂a2∂w2∂Z2m1∂Z2∂La1m1(a2−y)a1(8-14) ∂ L ∂ b 2 ∂ L ∂ a 2 ∂ a 2 ∂ Z 2 ∂ Z 2 ∂ b 2 ∂ L ∂ Z 2 a 2 − y (8-15) \frac{\partial L}{\partial b_2} \frac{\partial L}{\partial a_2}\frac{\partial a_2}{\partial Z_2}\frac{\partial Z_2}{\partial b_2} \frac{\partial L}{\partial Z_2} a_2 - y \tag{8-15} ∂b2∂L∂a2∂L∂Z2∂a2∂b2∂Z2∂Z2∂La2−y(8-15) ∂ L ∂ a 1 ∂ L ∂ a 2 ∂ a 2 ∂ Z 2 ∂ Z 2 ∂ a 1 ( a 2 − y ) w 2 (8-16) \frac{\partial L}{\partial a_1} \frac{\partial L}{\partial a_2}\frac{\partial a_2}{\partial Z_2}\frac{\partial Z_2}{\partial a_1} (a_2 - y)w_2 \tag{8-16} ∂a1∂L∂a2∂L∂Z2∂a2∂a1∂Z2(a2−y)w2(8-16) ∂ L ∂ Z 1 ∂ L ∂ a 2 ∂ a 2 ∂ Z 2 ∂ Z 2 ∂ a 1 ∂ a 1 ∂ Z 1 ( a 2 − y ) w 2 σ ′ ( Z 1 ) (8-17) \frac{\partial L}{\partial Z_1} \frac{\partial L}{\partial a_2}\frac{\partial a_2}{\partial Z_2}\frac{\partial Z_2}{\partial a_1} \frac{\partial a_1}{\partial Z_1} (a_2 - y)w_2\sigma(Z_1) \tag{8-17} ∂Z1∂L∂a2∂L∂Z2∂a2∂a1∂Z2∂Z1∂a1(a2−y)w2σ′(Z1)(8-17) ∂ L ∂ w 1 ∂ L ∂ a 2 ∂ a 2 ∂ Z 2 ∂ Z 2 ∂ a 1 ∂ a 1 ∂ Z 1 ∂ Z 1 ∂ w 1 ( a 2 − y ) w 2 σ ′ ( Z 1 ) x (8-18) \frac{\partial L}{\partial w_1} \frac{\partial L}{\partial a_2}\frac{\partial a_2}{\partial Z_2}\frac{\partial Z_2}{\partial a_1} \frac{\partial a_1}{\partial Z_1}\frac{\partial Z_1}{\partial w_1} (a_2 - y)w_2\sigma(Z_1)x \tag{8-18} ∂w1∂L∂a2∂L∂Z2∂a2∂a1∂Z2∂Z1∂a1∂w1∂Z1(a2−y)w2σ′(Z1)x(8-18) ∂ L ∂ b 1 ∂ L ∂ a 2 ∂ a 2 ∂ Z 2 ∂ Z 2 ∂ a 1 ∂ a 1 ∂ Z 1 ∂ Z 1 ∂ b 1 ( a 2 − y ) w 2 σ ′ ( Z 1 ) (8-19) \frac{\partial L}{\partial b_1} \frac{\partial L}{\partial a_2}\frac{\partial a_2}{\partial Z_2}\frac{\partial Z_2}{\partial a_1} \frac{\partial a_1}{\partial Z_1}\frac{\partial Z_1}{\partial b_1} (a_2 - y)w_2\sigma(Z_1) \tag{8-19} ∂b1∂L∂a2∂L∂Z2∂a2∂a1∂Z2∂Z1∂a1∂b1∂Z1(a2−y)w2σ′(Z1)(8-19) 以上公式具体的推导过程 公式8-13损失函数对输出层激活值Z2的导数 公式8-14损失函数对输出层权重w2的梯度 公式8-15损失函数对输出层偏置b2的梯度 公式8-16损失函数对隐藏层激活值a1的梯度 公式8-17损失函数对隐藏层加权输入Z1的导数 公式8-18损失函数对隐藏层权重w1的梯度 公式8-19损失函数对隐藏层偏置b1的梯度
