首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【DL笔记4】神经网络,正向传播和反向传播

【DL笔记4】神经网络,正向传播和反向传播

作者头像
beyondGuo
发布2018-10-25 14:53:22
7990
发布2018-10-25 14:53:22
举报
文章被收录于专栏:SimpleAISimpleAI

从【DL笔记1】到【DL笔记N】,是我学习深度学习一路上的点点滴滴的记录,是从Coursera网课、各大博客、论文的学习以及自己的实践中总结而来。从基本的概念、原理、公式,到用生动形象的例子去理解,到动手做实验去感知,到著名案例的学习,到用所学来实现自己的小而有趣的想法......我相信,一路看下来,我们可以感受到深度学习的无穷的乐趣,并有兴趣和激情继续钻研学习。 正所谓 Learning by teaching,写下一篇篇笔记的同时,我也收获了更多深刻的体会,希望大家可以和我一同进步,共同享受AI无穷的乐趣。


好久没写了,之前是每周都会写一两篇,前段时候回家陪爸妈旅游了 ̄▽ ̄,这段时候又在学习keras并复现一些模型,所以一直没写。今天赶紧写一篇,免得手生了。 之前的笔记: 【DL笔记1】Logistic回归:最基础的神经网络 【DL笔记2】神经网络编程原则&Logistic Regression的算法解析 【DL笔记3】一步步亲手用python实现Logistic Regression 主要讲了Logistic regression的内容,里面涉及到很多基本概念,是学习神经网络的基础。下面我们由Logistic regression升级到神经网络,首先我们看看“浅层神经网络(Shallow Neural Network)”

一、什么是神经网络

我们这里讲解的神经网络,就是在Logistic regression的基础上增加了一个或几个隐层(hidden layer),下面展示的是一个最最最简单的神经网络,只有两层:

需要注意的是,上面的图是“两层”,而不是三层或者四层,输入和输出不算层! 这里,我们先规定一下记号(Notation)

  • z是x和w、b线性运算的结果,z=wx+b;
  • a是z的激活值;
  • 下标的1,2,3,4代表该层的第i个神经元(unit);
  • 上标的[1],[2]等代表当前是第几层
  • y^代表模型的输出,y才是真实值,也就是标签

另外,有一点经常搞混:

  • 上图中的x1,x2,x3,x4不是代表4个样本!是一个样本的四个特征(4个维度的值)! 你如果有m个样本,代表要把上图的过程重复m次:
神经网络的“两个传播”:
  • 前向传播(Forward Propagation) 前向传播就是从input,经过一层层的layer,不断计算每一层的z和a,最后得到输出y^ 的过程,计算出了y^,就可以根据它和真实值y的差别来计算损失(loss)。
  • 反向传播(Backward Propagation) 反向传播就是根据损失函数L(y^,y)来反方向地计算每一层的z、a、w、b的偏导数(梯度),从而更新参数。

每经过一次前向传播和反向传播之后,参数就更新一次,然后用新的参数再次循环上面的过程。这就是神经网络训练的整个过程。

二、前向传播

如果用for循环一个样本一个样本的计算,显然太慢,看过我的前几个笔记的朋友应该知道,我们是使用Vectorization,把m个样本压缩成一个向量X来计算,同样的把z、a都进行向量化处理得到Z、A,这样就可以对m的样本同时进行表示和计算了。(不熟悉的朋友可以看这里:传送门)

这样,我们用公式在表示一下我们的两层神经网络的前向传播过程: Layer 1: Z[1] = W[1]·X + b[1] A[1] = σ(Z[1]) Layer 2: Z[2] = W[2]·A[1] + b[2] A[2] = σ(Z[2])

而我们知道,X其实就是A[0],所以不难看出: 每一层的计算都是一样的: Layer i: Z[i] = W[i]·A[i-1] + b[i] A[i] = σ(Z[i]) (注:σ是sigmoid函数) 因此,其实不管我们神经网络有几层,都是将上面过程的重复。

对于损失函数,就跟Logistic regression中的一样,使用“交叉熵(cross-entropy)”,公式就是

  • 二分类问题: L(y^,y) = -[y·log(y^ )+(1-y)·log(1-y^ )]
  • 多分类问题: L=-Σy(j)·y^(j)

这个是每个样本的loss,我们一般还要计算整个样本集的loss,也称为cost,用J表示,J就是L的平均: J(W,b) = 1/m·ΣL(y^(i),y(i))

上面的求Z、A、L、J的过程就是正向传播。

三、反向传播

反向传播说白了根据根据J的公式对W和b求偏导,也就是求梯度。因为我们需要用梯度下降法来对参数进行更新,而更新就需要梯度。 但是,根据求偏导的链式法则我们知道,第l层的参数的梯度,需要通过l+1层的梯度来求得,因此我们求导的过程是“反向”的,这也就是为什么叫“反向传播”。

具体求导的过程,这里就不赘述了,有兴趣的可以自己推导,虽然我觉得多数人看到这种东西都不想推导了。。。(主要还是我懒的打公式了T_T\”)

而且,像各种深度学习框架TensorFlow、Keras,它们都是只需要我们自己构建正向传播过程反向传播的过程是自动完成的,所以大家也确实不用操这个心。

进行了反向传播之后,我们就可以根据每一层的参数的梯度来更新参数了,更新了之后,重复正向、反向传播的过程,就可以不断训练学习更好的参数了。

四、深层神经网络(Deep Neural Network)

前面的讲解都是拿一个两层的很浅的神经网络为例的。 深层神经网络也没什么神秘,就是多了几个/几十个/上百个hidden layers罢了。 可以用一个简单的示意图表示:

注意,在深层神经网络中,我们在中间层使用了“ReLU”激活函数,而不是sigmoid函数了,只有在最后的输出层才使用了sigmoid函数,这是因为ReLU函数在求梯度的时候更快,还可以一定程度上防止梯度消失现象因此在深层的网络中常常采用。关于激活函数的问题,可以参阅: 【DL笔记】神经网络中的激活(Activation)函数及其对比

关于深层神经网络,我们有必要再详细的观察一下它的结构,尤其是每一层的各个变量的维度,毕竟我们在搭建模型的时候,维度至关重要。

我们设: 总共有m个样本,问题为二分类问题(即y为0,1); 网络总共有L层,当前层为l层(l=1,2,…,L); 第l层的单元数为n[l]; 那么下面参数或变量的维度为:

  • W[l]:(n[l],n[l-1])(该层的单元数,上层的单元数)
  • b[l]:(n[l],1)
  • z[l]:(n[l],1)
  • Z[l]:(n[l],m)
  • a[l]:(n[l],1)
  • A[l]:(n[l],m)
  • X:(n[0],m)
  • Y:(1,m)

可能有人问,为什么W和b的维度里面没有m? 因为W和b对每个样本都是一样的,所有样本采用同一套参数(W,b), 而Z和A就不一样了,虽然计算时的参数一样,但是样本不一样的话,计算结果也不一样,所以维度中有m。

深度神经网络的正向传播、反向传播和前面写的2层的神经网络类似,就是多了几层,然后中间的激活函数由sigmoid变为ReLU了。

That’s it!以上就是神经网络的详细介绍了。 接下来的文章会介绍神经网络的调参、正则化、优化等等问题,以及TensorFlow的使用,并用TF框架搭建一个神经网络


本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-09-08,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 SimpleAI 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • 一、什么是神经网络
    • 神经网络的“两个传播”:
    • 二、前向传播
    • 三、反向传播
    • 四、深层神经网络(Deep Neural Network)
    领券
    问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档