来源：机器学习与生成对抗网络本文约1700字，建议阅读5分钟本文为你总结常见的神经网络求导。

derivative of softmax

1.1 derivative of softmax

一般来说，分类模型的最后一层都是softmax层，假设我们有一个  分类问题，那对应的softmax层结构如下图所示（一般认为输出的结果  即为输入  属于第i类的概率）：

假设给定训练集  ，分类模型的目标是最大化对数似然函数  ，即

通常来说，我们采取的优化方法都是gradient based的（e.g., SGD），也就是说，需要求解  。而我们只要求得  ，之后根据链式法则，就可以求得  ，因此我们的核心在于求解  ，即由上式可知，我们只需要知道各个样本  的  ，即可通过求和求得  ，进而通过链式法则求得  。因此下面省略样本下标j，仅讨论某个样本  。

实际上对于如何表示  属于第几个类，有两种比较直观的方法：

• 一种是直接法（i.e., 用  来表示x属于第3类），则  ，其中  为指示函数；

• 另一种是one-hot法（i.e., 用  来表示x属于第三类），则  ，其中  为向量  的第  个元素。

• p.s., 也可以将one-hot法理解为直接法的实现形式，因为one-hot向量实际上就是  。

为了方便，本文采用one-hot法。于是，我们有：

1.2 softmax & sigmoid

再补充一下softmax与sigmoid的联系。当分类问题是二分类的时候，我们一般使用sigmoid function作为输出层，表示输入  属于第1类的概率，即

然后利用概率和为1来求解  属于第2类的概率，即

乍一看会觉得用sigmoid做二分类跟用softmax做二分类不一样：

• 在用softmax时，output的维数跟类的数量一致，而用sigmoid时，output的维数比类的数量少；

• 在用softmax时，各类的概率表达式跟sigmoid中的表达式不相同。

但实际上，用sigmoid做二分类跟用softmax做二分类是等价的。我们可以让sigmoid的output维数跟类的数量一致，并且在形式上逼近softmax。

通过上述变化，sigmoid跟softmax已经很相似了，只不过sigmoid的input的第二个元素恒等于0（i.e., intput为  ），而softmax的input为  ，下面就来说明这两者存在一个mapping的关系（i.e., 每一个  都可以找到一个对应的  来表示相同的softmax结果。不过值得注意的是，反过来并不成立，也就是说并不是每个  仅仅对应一个  ）。

因此，用sigmoid做二分类跟用softmax做二分类是等价的。

02 backpropagation

一般来说，在train一个神经网络时（i.e., 更新网络的参数），我们都需要loss function对各参数的gradient，backpropagation就是求解gradient的一种方法。

假设我们有一个如上图所示的神经网络，我们想求损失函数  对  的gradient，那么根据链式法则，我们有

而我们可以很容易得到上述式子右边的第二项，因为  ，所以有

其中，  是上层的输出。而对于式子右边的的第一项，可以进一步拆分得到

我们很容易得到上式右边第二项，因为  ，而激活函数  （e.g., sigmoid function）是我们自己定义的，所以有

，

其中，  是本层的线性输出（未经激活函数）。

观察上图，我们根据链式法则可以得到

其中，根据 可知

和  的值是已知的，因此，我们离目标  仅差  和  了。接下来我们采用动态规划（或者说递归）的思路，假设下一层的  和  是已知的，那么我们只需要最后一层的graident，就可以求得各层的gradient了。而通过softmax的例子，我们知道最后一层的gradient确实可求，因此只要从最后一层开始，逐层向前，即可求得各层gradient。

因此我们求  的过程实际上对应下图所示的神经网络（原神经网络的反向神经网络）：

综上，我们先通过神经网络的正向计算，得到  以及  ，进而求得  和  ；然后通过神经网络的反向计算，得到  和  ，进而求得  ；然后根据链式法则求得  。这整个过程就叫做backpropagation，其中正向计算的过程叫做forward pass，反向计算的过程叫做backward pass。

03 derivative of CNN

卷积层实际上是特殊的全连接层，只不过：

神经元中的某些  为  ；

神经元之间共享  。

具体来说，如下图所示，没有连线的表示对应的w为0：

如下图所示，相同颜色的代表相同的  ：

因此，我们可以把loss function理解为  ，然后求导的时候，根据链式法则，将相同w的gradient加起来就好了，即

在求各个 时，可以把他们看成是相互独立的 ，那这样就跟普通的全连接层一样了，因此也就可以用backpropagation来求。

04 derivative of RNN

RNN按照时序展开之后如下图所示（红线表示了求gradient的路线）：

跟处理卷积层的思路一样，首先将loss function理解为  ，然后把各个w看成相互独立，最后根据链式法则求得对应的gradient，即

由于这里是将RNN按照时序展开成为一个神经网络，所以这种求gradient的方法叫Backpropagation Through Time(BPTT)。

05 derivative of max pooling

一般来说，函数  是不可导的，但假如我们已经知道哪个自变量会是最大值，那么该函数就是可导的（e.g., 假如知道y是最大的，那对y的偏导为1，对其他自变量的偏导为0）。

而在train一个神经网络的时候，我们会先进行forward pass，之后再进行backward pass，因此我们在对max pooling求导的时候，已经知道哪个自变量是最大的，于是也就能够给出对应的gradient了。

references：

http://speech.ee.ntu.edu.tw/~tlkagk/courses_ML17_2.html

http://www.wildml.com/2015/10/recurrent-neural-networks-tutorial-part-3-backpropagation-through-time-and-vanishing-gradients/

编辑：于腾凯

校对：林亦霖