TensorFlow从0到1 | 第九章“驱魔”之反向传播大法

上一篇8 万能函数的形态:人工神经网络解封了人工神经网络,如果用非常简短的语言来概括它,我更喜欢维基百科的诠释:

人工神经网络是一种模仿生物神经网络(动物的中枢神经系统,特别是大脑)的结构和功能的数学模型或计算模型,用于对函数进行估计或近似。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构,是一种自适应系统。

就这样,人类照着上帝创造生灵万物的手法,居然也徒手造出了“活物”,且让它们附体在芯片之中,操纵世事。它们中有庞然大物,有小巧玲珑,不知疲倦,冰冷无情,是为“魔”。

然而要驱动那一堆首尾相连的神经元,让其“活”起来,还有最后一个步骤,就像圣经中神造人时吹的那口生气,即本篇要说的反向传播大法(Backpropagation)。

Backpropagation

神经网络有多少参数

与线性回归的算法框架如出一辙,基于神经网络的机器学习,是基于数据的、运用梯度下降算法来优化网络(减小损失)的过程。

在套用这个算法框架之前,要先搞清楚神经网络的参数及其形式。以经典的3层感知器为例:

3层感知器

第一层是输入层,其中的神经元仅仅提供输出值,并不含有权重和偏置。图中输入层有8个神经元。

第二层是隐藏层,有15个神经元,每个神经元都会接收第一层的8个神经元的输出作为输入,在其内部,加权求和之后还有一个偏置。

第三层是输出层,有10个神经元,每个神经元都会接受第二层的15个神经元的输出作为输入,在其内部,加权求和之后也有一个偏置。

用wjkl来表示一个单独的权重,它代表的是第l层的第j个神经元、与上一层(l-1)第k个神经元输出相对应的权重。或许你对这种表示方法感到有些别扭,但很快就会适应的。以w243为例见下图:

w<sub>24</sub><sup>3</sup>

用bjl来表示第l层上,第j个神经元中的偏置,这个比较显而易见。

基于上述的神经网络结构和对权重和偏置的符号的定义,当前构建的神经网络的参数如下所示:

第2层神经元的权重和偏置
第3层神经元的权重和偏置

基于神经网络的机器学习

第二层神经元的权重120=15x8个,偏置15个,第三层神经元的权重150=10x15个,偏置10个。整个神经网络的参数:295个。一个不算特别复杂的,由33个神经元构成的全连接神经网络,其参数已经达到了295个之多。

所谓的训练神经网络,就是调整这295个参数,使其对于样本数据,能够让“损失”达到最小。再次回顾二次损失函数的定义(其中n=295):

B-O-F-2 损失函数

接着,套用随机梯度下降算法,调整每个参数(以前两个为例):

B-O-F-6 参数的增量

至此,只要求取每个参数对损失函数的偏导数,代入上式即可对参数进行1次优化。可是我们已经知道:神经网络可以近似任意的函数,但却无法知道其代表的函数的确切形式是什么。也就是说,对已知函数求偏导的公式算法,根本用不上。

反向传播

从二十世纪40、50年代人工神经元被发明,那一堆首尾相接的神经元沉寂了长达三十年的漫漫长夜。直到1986年,心理学家David Rumelhart,在深度学习的守护者Geoffrey E. Hinton等人的协助下发现了“反向传播”终极大法,它们就要“活”起来了。

本篇的最后,贴出大法秘诀一饱眼福:

BP1
BP2
BP3
BP4

它由四个基本公式构成,就像所有真理的数学描述一样简洁。仔细看最后两个公式,那不就是损失函数关于神经网络的参数(权值和偏置)的偏导数的表达式吗?而这就是反向传播的核心目的,有了它梯度下降算法就能run起来了。

原文发布于微信公众号 - 人工智能LeadAI(atleadai)

原文发表时间:2017-08-19

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏机器之心

AAAI 2018 | 南京大学提出用于聚类的最优间隔分布机

3335
来自专栏CSDN技术头条

卷积神经网络处理自然语言

当我们听到卷积神经网络(Convolutional Neural Network, CNNs)时,往往会联想到计算机视觉。CNNs在图像分类领域做出了巨大贡献,...

1896
来自专栏数据派THU

独家 | 一文为你解析神经网络(附实例、公式)

原文标题:Introduction To Neural Networks 作者:Ben Gorman 翻译:申利彬 校对:和中华 本文长度为4000字,建议阅读...

1995
来自专栏Deep learning进阶路

深度学习论文随记(一)---AlexNet模型解读

深度学习论文随记(一)---AlexNet模型解读 ImageNet  classification with deep convolutional neur...

2960
来自专栏深度学习计算机视觉

【CVPR 2018】腾讯AI lab提出深度人脸识别中的大间隔余弦损失

【论文导读】 深度卷积神经网络(DCNN)在人脸识别中已经取得了巨大的进展,通常的人脸识别的核心任务都包括人脸验证与人脸识别,涉及到特征判别。很多模型都是使用...

3535
来自专栏计算机视觉战队

谷歌——DeepLab v1

临近中国的春节,Google 团队也不休假,趁着中国人每年一度大迁徙,他们在 arXiv 放出了 DeepLabv3+,在语义分割领域取得新的 state-of...

3075
来自专栏TensorFlow从0到N

TensorFlow从0到1 - 9 “驱魔”之反向传播大法

创世纪 2:7: “耶和华神用地上的尘土造人,将生气吹在他鼻孔里,他就成了有灵的活人。” 上一篇8 万能函数的形态:人工神经网络解封了人工神经网络,如果...

3385
来自专栏人工智能头条

卷积神经网络在自然语言处理的应用

1481
来自专栏WD学习记录

机器学习深度学习 笔试面试题目整理(2)

(1) 思想    改变全连接为局部连接,这是由于图片的特殊性造成的(图像的一部分的统计特性与其他部分是一样的),通过局部连接和参数共享大范围的减少参数值。可...

952
来自专栏人工智能LeadAI

TensorFlow从1到2 | 第四章: 拆解CNN架构

上一篇 《TensorFlow从1到2 | 第三章: 深度学习革命的开端:卷积神经网络》 快速回顾了CNN的前世今生。 本篇将拆开CNN架构,一探究竟。 ? 基...

3337

扫码关注云+社区