DeepLearning笔记：Backpropagation 反向传播算法

：今天我们来学习反向传播算法。

：为什么你一脸严肃哦？

：咳咳，有吗……可能因为当初被 Backpropagation 这个词吓得不轻吧…… 反向传播算法是深度学习的核心之一，不过也没有很难，放轻松~

：你是说你还是说我

：来，我们先回忆一下，对多层神经网络，我们用梯度下降法去训练。之前已经学过如何计算输出节点的误差项，借助梯度下降算法，用误差项训练隐层到输出层的权重。

：隐层到输出层。我记得最简单的神经网络应该有 3 层——是不是还有输入层到隐层？

：没错。

：那该怎么求隐层节点对应的误差项呢？

：在神经网络里，输出节点的误差项，跟隐层的权重是成比例的。

：意思是误差项越大，隐层节点的权重也越大？

：可以这么理解。既然我们知道输出的误差项，就可以用它来「反向传播」，求出隐层的误差项，再用于求输入节点的权重。

：咦，那不是反过来了？先知道输出结果，再反推输入权重？

：对的，所以叫做「反向」呀。

比如，输出层 k 个节点对应的误差项是。隐层有 j 个节点，那么隐层节点到输出节点的 j 个误差项是：

：等等！先让我复习一下误差项是什么……

：嗯！误差项 δ 表示 ，。对比一下，看看有什么不同？

：隐层到输出层的误差 (y-y^) 变成了

：很棒！你发现了吧，成为了 wx + b 中的变量 x：

：啊，又要来算这个了……

：没关系，虽然看上去麻烦一些，但是跟正向传播的做法很类似，权重的更新为。

：每次都要来一遍，要死不少脑细胞啊……

：那我给你列个清单吧，每次照着做就好。

假设我们考虑最简单的神经网络：只有一个隐层节点，只有一个输出节点。用反向传播算法更新权重的算法如下：

：天！看上去好复杂。

：练习两次就能熟悉起来了，别担心。下一次我带你用 Python 实现反向传播算法。

Ref

Deep Learning Nanodegree Udacity - https://www.udacity.com/course/deep-learning-nanodegree-foundation--nd101

Yes you should understand backprop – Medium - https://medium.com/@karpathy/yes-you-should-understand-backprop-e2f06eab496b

CS231n Winter 2016 Lecture 4 Backpropagation, Neural Networks 1 - YouTube - https://www.youtube.com/watch?v=59Hbtz7XgjM

00 的 DeepLearning 笔记