反向传播算法(Backpropagation Algorithm,简称BP算法)是深度学习的重要思想基础,对于初学者来说也是必须要掌握的基础知识!本文希望以一个清晰的脉络和详细的说明,来让读者彻底明白BP算法的原理和计算过程。
全文分为上下两篇,上篇主要介绍BP算法的原理(即公式的推导),介绍完原理之后,我们会将一些具体的数据带入一个简单的三层神经网络中,去完整的体验一遍BP算法的计算过程;下篇是一个项目实战, 我们将带着读者一起亲手实现一个BP神经网络(不适用任何第三方的深度学习框架) 来解决一个具体的问题。
1. BP算法的推导
图1 一个简单的三层神经网络
图1所示是一个简单的三层(两个隐藏层,一个输出层)神经网络结构,假设我们使用这个神经网络来解决二分类问题,我们给这个网络一个输入样本 ,通过前向运算得到输出 。输出值的值域为 ,例如 的值越接近0,代表该样本是“0”类的可能性越大,反之是“1”类的可能性大。
1.1 前向传播的计算
为了便于理解后续的内容,我们需要先搞清楚前向传播的计算过程,以图1所示的内容为例:
输入的样本为:
第一层网络的参数为:
第二层网络的参数为:
第三层网络的参数为:
1.1.1 第一层隐藏层的计算
图2 计算第一层隐藏层
第一层隐藏层有三个神经元:neu1 、neu2 和neu3 。该层的输入为:
以 神经元neu1为例,则其输入为:
同理有:
假设我们选择函数f(x) 作为该层的激活函数(图1中的激活函数都标了一个下标,一般情况下,同一层的激活函数都是一样的,不同层可以选择不同的激活函数),那么该层的输出为:
1.1.2 第二层隐藏层的计算
图3 计算第二层隐藏层
第二层隐藏层有两个神经元:neu4 和neu5 。该层的输入为:
即第二层的输入是第一层的输出乘以第二层的权重,再加上第二层的偏置。因此得到neu4和neu5 的输入分别为:
该层的输出分别为:
。
1.1.3 输出层的计算
图4 计算输出层
输出层只有一个神经元:neu6。该层的输入为:
即:
因为该网络要解决的是一个二分类问题,所以输出层的激活函数也可以使用一个Sigmoid型函数,神经网络最后的输出为:
。
1.2 反向传播的计算
在1.1节里,我们已经了解了数据沿着神经网络前向传播的过程,这一节我们来介绍更重要的反向传播的计算过程。假设我们使用随机梯度下降的方式来学习神经网络的参数,损失函数定义为
,其中y 是该样本的真实类标。使用梯度下降进行参数的学习,我们必须计算出损失函数关于神经网络中各层参数(权重w和偏置b)的偏导数。
假设我们要对第k 层隐藏层的参数
求偏导数,即求
。 假设
代表第k 层神经元的输入,即
,其中
为前一层神经元的输出,则根据链式法则有:
因此,我们只需要计算偏导数
1.2.1 计算偏导数
前面说过,第k层神经元的输入为:
,因此可以得到:
上式中,
代表第k层神经元的权重矩阵
的第m行,
代表第k层神经元的权重矩阵
的第m行中的第n列。
我们以1.1节中的简单神经网络为例,假设我们要计算第一层隐藏层的神经元关于权重矩阵的导数,则有:
1.2.2 计算偏导数
因为偏置b是一个常数项,因此偏导数的计算也很简单:
依然以第一层隐藏层的神经元为例,则有:
1.2.3 计算偏导数
偏导数
又称为 误差项(error term,也称为“灵敏度”) ,一般用
表示,例如
是第一层神经元的误差项,其值的大小代表了第一层神经元对于最终总误差的影响大小。
根据第一节的前向计算,我们知道第k+1 层的输入与第k层的输出之间的关系为:
又因为
,根据链式法则,我们可以得到
为:
由上式我们可以看到,第k层神经元的误差项
是由第k+1 层的误差项乘以第k+1 层的权重,再乘以第k层激活函数的导数(梯度)得到的。这就是误差的反向传播。
现在我们已经计算出了偏导数
可分别表示为:
下面是基于随机梯度下降更新参数的反向传播算法:
单纯的公式推导看起来有些枯燥,下面我们将实际的数据带入图1所示的神经网络中,完整的计算一遍。
2. 图解BP算法
图5 图解BP算法
我们依然使用如图5所示的简单的神经网络,其中所有参数的初始值如下:
输入的样本为(假设其真实类标为“1”):
第一层网络的参数为:
第二层网络的参数为:
第三层网络的参数为:
假设所有的激活函数均为Logistic函数:
使用均方误差函数作为损失函数:
为了方便求导,我们将损失函数简化为:
。
2.1 前向传播
我们首先初始化神经网络的参数,计算第一层神经元:
上图中我们计算出了第一层隐藏层的第一个神经元的输入z1 和输出
,同理可以计算第二个和第三个神经元的输入和输出:
接下来是第二层隐藏层的计算,首先我们计算第二层的第一个神经元的输入z4 和输出
:
同样方法可以计算该层的第二个神经元的输入z5 和输出
:
最后计算输出层的输入z6 和输出
:
2.2 误差反向传播
首先计算输出层的误差项 ,我们的误差函数为
,由于该样本的类标为“1”,而预测值为0.997520293823002,因此误差为0.002479706176998,输出层的误差项为:
接着计算第二层隐藏层的误差项,根据误差项的计算公式有:
最后是计算第一层隐藏层的误差项:
2.3 更新参数
上一小节中我们已经计算出了每一层的误差项,现在我们要利用每一层的误差项和梯度来更新每一层的参数,权重W和偏置b的更新公式如下:
通常权重W的更新会加上一个正则化项来避免过拟合,这里为了简化计算,我们省去了正则化项。上式中的
是学习率,我们设其值为0.1。 参数更新的计算相对简单,每一层的计算方式都相同,因此本文仅演示第一层隐藏层的参数更新:
3. 小结
至此,我们已经完整介绍了BP算法的原理,并使用具体的数值做了计算。
来源商业新知网,原标题:一文彻底搞懂BP算法:原理推导+数据演示+项目实战(上篇)