作者：韩信子@ShowMeAI
教程地址：https://www.showmeai.tech/tutorials/37
本文地址：https://www.showmeai.tech/article-detail/263
声明：版权所有，转载请联系平台与作者并注明出处
收藏ShowMeAI查看更多精彩内容

本系列为 斯坦福CS231n 《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。

引言

在上一篇 深度学习与CV教程(3) | 损失函数与最优化 内容中，我们给大家介绍了线性模型的损失函数构建与梯度下降等优化算法，【本篇内容】ShowMeAI给大家切入到神经网络，讲解神经网络计算图与反向传播以及神经网络结构等相关知识。

本篇重点

神经网络计算图
反向传播
神经网络结构

1.反向传播算法

神经网络的训练，应用到的梯度下降等方法，需要计算损失函数的梯度，而其中最核心的知识之一是反向传播，它是利用数学中链式法则递归求解复杂函数梯度的方法。而像tensorflow、pytorch等主流AI工具库最核心的智能之处也是能够自动微分，在本节内容中ShowMeAI就结合cs231n的第4讲内容展开讲解一下神经网络的计算图和反向传播。

关于神经网络反向传播的解释也可以参考ShowMeAI的 深度学习教程 | 吴恩达专项课程 · 全套笔记解读 中的文章 神经网络基础、浅层神经网络、深层神经网络 里对于不同深度的网络前向计算和反向传播的讲解

1.1 标量形式反向传播

1) 引例

我们来看一个简单的例子，函数为 $f (x, y, z) = (x + y) z$ 。初值 $x = - 2$ ， $y = 5$ ， $z = - 4$ 。这是一个可以直接微分的表达式，但是我们使用一种有助于直观理解反向传播的方法来辅助理解。

下图是整个计算的线路图，绿字部分是函数值，红字是梯度。（梯度是一个向量，但通常将对 $x$ 的偏导数称为 $x$ 上的梯度。）

上述公式可以分为2部分， $q = x + y$ 和 $f = q z$ 。它们都很简单可以直接写出梯度表达式：

$f$ 是 $q$ 和 $z$ 的乘积，所以 $∂f∂q=z=−4\frac{\partial f}{\partial q} = z=-4$ ， $∂f∂z=q=3\frac{\partial f}{\partial z} = q=3$
$q$ 是 $x$ 和 $y$ 相加，所以 $∂q∂x=1\frac{\partial q}{\partial x} = 1$ ， $∂q∂y=1\frac{\partial q}{\partial y} = 1$

我们对 $q$ 上的梯度不关心（ $∂f∂q\frac{\partial f}{\partial q}$ 没有用处）。我们关心 $f$ 对于 $x, y, z$ 的梯度。链式法则告诉我们可以用「乘法」将这些梯度表达式链接起来，比如

$∂f∂x=∂f∂q∂q∂x=−4\frac{\partial f}{\partial x} = \frac{\partial f}{\partial q} \frac{\partial q}{\partial x} =-4$

同理， $∂f∂y=−4\frac{\partial f}{\partial y} =-4$ ，还有一点是 $∂f∂f=1\frac{\partial f}{\partial f}=1$

前向传播从输入计算到输出（绿色），反向传播从尾部开始，根据链式法则递归地向前计算梯度（显示为红色），一直到网络的输入端。可以认为，梯度是从计算链路中回流。

上述计算的参考 python 实现代码如下：

# 设置输入值
x = -2; y = 5; z = -4# 进行前向传播
q = x + y # q 是 3
f = q * z # f 是 -12# 进行反向传播:
# 首先回传到 f = q * z
dfdz = q # df/dz = q, 所以关于z的梯度是3
dfdq = z # df/dq = z, 所以关于q的梯度是-4
# 现在回传到q = x + y
dfdx = 1.0 * dfdq # dq/dx = 1. 这里的乘法是因为链式法则。所以df/dx是-4
dfdy = 1.0 * dfdq # dq/dy = 1.所以df/dy是-4'''一般可以省略df'''

2) 直观理解反向传播

反向传播是一个优美的局部过程。

以下图为例，在整个计算线路图中，会给每个门单元（也就是 $f$ 结点）一些输入值 $x$ , $y$ 并立即计算这个门单元的输出值 $z$ ，和当前节点输出值关于输入值的局部梯度（local gradient） $∂z∂x\frac{\partial z}{\partial x}$ 和 $∂z∂y\frac{\partial z}{\partial y}$ 。

门单元的这两个计算在前向传播中是完全独立的，它无需知道计算线路中的其他单元的计算细节。但在反向传播的过程中，门单元将获得整个网络的最终输出值在自己的输出值上的梯度 $∂L∂z\frac{\partial L}{\partial z}$ 。

根据链式法则，整个网络的输出对该门单元的每个输入值的梯度，要用回传梯度乘以它的输出对输入的局部梯度，得到 $∂L∂x\frac{\partial L}{\partial x}$ 和 $∂L∂y\frac{\partial L}{\partial y}$ 。这两个值又可以作为前面门单元的回传梯度。

因此，反向传播可以看做是门单元之间在通过梯度信号相互通信，只要让它们的输入沿着梯度方向变化，无论它们自己的输出值在何种程度上升或降低，都是为了让整个网络的输出值更高。

比如引例中 $x, y$ 梯度都是 $- 4$ ，所以让 $x, y$ 减小后， $q$ 的值虽然也会减小，但最终的输出值 $f$ 会增大（当然损失函数要的是最小）。

3) 加法门、乘法门和max门

引例中用到了两种门单元：加法和乘法。

加法求偏导： $\rightarrow \frac{\partial f}{\partial x} = 1 \frac{\partial f}{\partial y} = 1$
乘法求偏导： $\rightarrow \frac{\partial f}{\partial x} = y \frac{\partial f}{\partial y} = x$

除此之外，常用的操作还包括取最大值：

$f(x,y)=max⁡(x,y)→∂f∂x=1(x≥y)∂f∂y1(y≥x)\begin{aligned} f(x,y) &= \max(x, y) \\ \rightarrow \frac{\partial f}{\partial x} &= \mathbb{1}(x \ge y)\\ \frac{\partial f}{\partial y} &\mathbb{1}(y \ge x) \end{aligned}$

上式含义为：若该变量比另一个变量大，那么梯度是 $1$ ，反之为 $0$ 。

加法门单元是梯度分配器，输入的梯度都等于输出的梯度，这一行为与输入值在前向传播时的值无关；
乘法门单元是梯度转换器，输入的梯度等于输出梯度乘以另一个输入的值，或者乘以倍数 $a$ （ $a x$ 的形式乘法门单元）；max 门单元是梯度路由器，输入值大的梯度等于输出梯度，小的为 $0$ 。

乘法门单元的局部梯度就是输入值，但是是相互交换之后的，然后根据链式法则乘以输出值的梯度。基于此，如果乘法门单元的其中一个输入非常小，而另一个输入非常大，那么乘法门会把大的梯度分配给小的输入，把小的梯度分配给大的输入。

以我们之前讲到的线性分类器为例，权重和输入进行点积 $w^Tx_i$ ，这说明输入数据的大小对于权重梯度的大小有影响。具体的，如在计算过程中对所有输入数据样本 $x_i$ 乘以 100，那么权重的梯度将会增大 100 倍，这样就必须降低学习率来弥补。

也说明了数据预处理有很重要的作用，它即使只是有微小变化，也会产生巨大影响。

对于梯度在计算线路中是如何流动的有一个直观的理解，可以帮助调试神经网络。

4) 复杂示例

我们来看一个复杂一点的例子：

$\frac{1}{1+e^{-(w_0x_0 + w_1x_1 + w_2)}}$

这个表达式需要使用新的门单元：

$f(x)=1x→dfdx=−1x2fc(x)=c+x→dfdx=1f(x)=ex→dfdx=exfa(x)=ax→dfdx=a\begin{aligned} f(x) &= \frac{1}{x} \\ \rightarrow \frac{df}{dx} &=- \frac{1}{x^2}\ f_c(x) = c + x \\ \rightarrow \frac{df}{dx} &= 1 \ f(x) = e^x \\ \rightarrow \frac{df}{dx} &= e^x \ f_a(x) = ax \\ \rightarrow \frac{df}{dx} &= a \end{aligned}$

计算过程如下：

对于 $1/ x$ 门单元，回传梯度是 $1$ ，局部梯度是 $1/x^2=-1/1.37^2=-0.53$ ，所以输入梯度为 $\times -0.53 = -0.53$ ； $+ 1$ 门单元不改变梯度还是 $- 0.53$
exp门单元局部梯度是 $e^x=e^{-1}$ ，然后乘回传梯度 $- 0.53$ 结果约为 $- 0.2$
乘 $- 1$ 门单元会将梯度加负号变为 $0.2$
加法门单元会分配梯度，所以从上到下三个加法分支都是 $0.2$
最后两个乘法单元会转换梯度，把回传梯度乘另一个输入值作为自己的梯度，得到 $- 0.2$ 、 $0.4$ 、 $- 0.4$ 、 $- 0.6$

5) Sigmoid门单元

我们可以将任何可微分的函数视作「门」。可以将多个门组合成一个门，也可以根据需要将一个函数拆成多个门。我们观察可以发现，最右侧四个门单元可以合成一个门单元， $σ(x)=11+e−x\sigma(x) = \frac{1}{1+e^{-x}}$ ，这个函数称为 sigmoid 函数。

sigmoid 函数可以微分：

$dσ(x)dx=e−x(1+e−x)2=(1+e−x−11+e−x)(11+e−x)=(1−σ(x))σ(x)\frac{d\sigma(x)}{dx} = \frac{e^{-x}}{(1+e^{-x})^2} = \left( \frac{1 + e^{-x} - 1}{1 + e^{-x}} \right) \left( \frac{1}{1+e^{-x}} \right) = \left( 1 - \sigma(x) \right) \sigma(x)$

所以上面的例子中已经计算出 $σ(x)=0.73\sigma(x)=0.73$ ，可以直接计算出乘 $- 1$ 门单元输入值的梯度为： $\ast (1-0.73) \ast0.73~=0.2$ ，计算简化很多。

上面这个例子的反向传播的参考 python 实现代码如下：

# 假设一些随机数据和权重
w = [2,-3,-3]
x = [-1, -2]# 前向传播，计算输出值
dot = w[0]*x[0] + w[1]*x[1] + w[2]
f = 1.0 / (1 + math.exp(-dot)) # sigmoid函数# 反向传播，计算梯度
ddot = (1 - f) * f # 点积变量的梯度, 使用sigmoid函数求导
dx = [w[0] * ddot, w[1] * ddot] # 回传到x
dw = [x[0] * ddot, x[1] * ddot, 1.0 * ddot] # 回传到w
# 最终得到输入的梯度

在实际操作中，有时候我们会把前向传播分成不同的阶段，这样可以让反向传播过程更加简洁。比如创建一个中间变量 $d o t$ ，存放 $w$ 和 $x$ 的点乘结果。在反向传播时，可以很快计算出装着 $w$ 和 $x$ 等的梯度的对应的变量（比如 $dd o t$ ， $d x$ 和 $d w$ ）。

本篇内容列了很多例子，我们希望通过这些例子讲解「前向传播」与「反向传播」过程，哪些函数可以被组合成门，如何简化，这样他们可以“链”在一起，让代码量更少，效率更高。

6) 分段计算示例

$\frac{x + \sigma(y)}{\sigma(x) + (x+y)^2}$

这个表达式只是为了实践反向传播，如果直接对 $x, y$ 求导，运算量将会很大。下面先代码实现前向传播：

x = 3  # 例子数值
y = -4# 前向传播
sigy = 1.0 / (1 + math.exp(-y)) # 分子中的sigmoid         #(1)
num = x + sigy # 分子                                    #(2)
sigx = 1.0 / (1 + math.exp(-x)) # 分母中的sigmoid         #(3)
xpy = x + y                                              #(4)
xpysqr = xpy**2                                          #(5)
den = sigx + xpysqr # 分母                                #(6)
invden = 1.0 / den                                       #(7)
f = num * invden

代码创建了多个中间变量，每个都是比较简单的表达式，它们计算局部梯度的方法是已知的。可以给我们计算反向传播带来很多便利：

我们对前向传播时产生的每个变量 $ (sigy, num, sigx, xpy, xpysqr, den, invden)$ 进行回传。
我们用同样数量的变量（以 d 开头），存储对应变量的梯度。
注意：反向传播的每一小块中都将包含了表达式的局部梯度，然后根据使用链式法则乘以上游梯度。对于每行代码，我们将指明其对应的是前向传播的哪部分，序号对应。

# 回传 f = num * invden
dnum = invden # 分子的梯度                                         #(8)
dinvden = num # 分母的梯度                                         #(8)
# 回传 invden = 1.0 / den
dden = (-1.0 / (den**2)) * dinvden                                #(7)
# 回传 den = sigx + xpysqr
dsigx = (1) * dden                                                #(6)
dxpysqr = (1) * dden                                              #(6)
# 回传 xpysqr = xpy**2
dxpy = (2 * xpy) * dxpysqr                                        #(5)
# 回传 xpy = x + y
dx = (1) * dxpy                                                   #(4)
dy = (1) * dxpy                                                   #(4)
# 回传 sigx = 1.0 / (1 + math.exp(-x))
dx += ((1 - sigx) * sigx) * dsigx # 注意这里用的是+=，下面有解释    #(3)
# 回传 num = x + sigy
dx += (1) * dnum                                                  #(2)
dsigy = (1) * dnum                                                #(2)
# 回传 sigy = 1.0 / (1 + math.exp(-y))
dy += ((1 - sigy) * sigy) * dsigy

补充解释：

①对前向传播变量进行缓存

在计算反向传播时，前向传播过程中得到的一些中间变量非常有用。
实现过程中，在代码里对这些中间变量进行缓存，这样在反向传播的时候也能用上它们。

②在不同分支的梯度要相加

如果变量 $x, y$ 在前向传播的表达式中出现多次，那么进行反向传播的时候就要非常小心，要使用 $+ =$ 而不是 $=$ 来累计这些变量的梯度。
根据微积分中的多元链式法则，如果变量在线路中走向不同的分支，那么梯度在回传的时候，应该累加。即：

$∂f∂x=∑qi∂f∂qi∂qi∂x\frac{\partial f}{\partial x} =\sum_{q_i}\frac{\partial f}{\partial q_i}\frac{\partial q_i}{\partial x}$

7) 实际应用

如果有一个计算图，已经拆分成门单元的形式，那么主类代码结构如下：

class ComputationalGraph(object):# ...def forward(self, inputs):# 把inputs传递给输入门单元# 前向传播计算图# 遍历所有从后向前按顺序排列的门单元for gate in self.graph.nodes_topologically_sorted(): gate.forward()  # 每个门单元都有一个前向传播函数return loss  # 最终输出损失def backward(self):# 反向遍历门单元for gate in reversed(self.graph.nodes_topologically_sorted()): gate.backward()  # 反向传播函数应用链式法则return inputs_gradients  # 输出梯度return inputs_gradients  # 输出梯度

门单元类可以这么定义，比如一个乘法单元：

class MultiplyGate(object):def forward(self, x, y):z = x*yself.x = xself.y = yreturn zdef backward(self, dz):dx = self.y * dzdy = self.x * dzreturn [dx, dy]

1.2 向量形式反向传播

先考虑一个简单的例子，比如：

这个 $ma x$ 函数对输入向量 $x$ 的每个元素都和 $0$ 比较输出最大值，因此输出向量的维度也是 $4096$ 维。此时的梯度是雅可比矩阵，即输出的每个元素对输入的每个元素求偏导组成的矩阵。

假如输入 $x$ 是 $n$ 维的向量，输出 $y$ 是 $m$ 维的向量，则 $y1,y2,⋯,ymy_1,y_2, \cdots,y_m$ 都是 $x_1-x_n)$ 的函数，得到的雅克比矩阵如下所示：

$[∂y1∂x1⋯∂y1∂xn⋮⋱⋮∂ym∂x1⋯∂ym∂xn]\left[\begin{array}{ccc} \frac{\partial y_{1}}{\partial x_{1}} & \cdots & \frac{\partial y_{1}}{\partial x_{n}} \\ \vdots & \ddots & \vdots \\ \frac{\partial y_{m}}{\partial x_{1}} & \cdots & \frac{\partial y_{m}}{\partial x_{n}} \end{array}\right]$

⎡∂x1∂y1⋮∂x1∂ym⋯⋱⋯∂xn∂y1⋮∂xn∂ym⎦

⎤

那么这个例子的雅克比矩阵是 $4096 \times 4096]$ 维的，输出有 $4096$ 个元素，每一个都要求 $4096$ 次偏导。其实仔细观察发现，这个例子输出的每个元素都只和输入相应位置的元素有关，因此得到的是一个对角矩阵。

实际应用的时候，往往 100 个 $x$ 同时输入，此时雅克比矩阵是一个 $409600 \times 409600]$ 的对角矩阵，当然只是针对这里的 $f$ 函数。

实际上，完全写出并存储雅可比矩阵不太可能，因为维度极其大。

1) 一个例子

目标公式为： $f(x,W)=∣∣W⋅x∣∣2=∑i=1n(W⋅x)i2f(x,W)=\vert \vert W\cdot x \vert \vert ^2=\sum_{i=1}^n (W\cdot x)_{i}^2$

其中 $x$ 是 $n$ 维的向量， $W$ 是 $\times n$ 的矩阵。

设 $q=W⋅xq=W\cdot x$ ,于是得到下面的式子：

⎡∂x1∂y1⋮∂x1∂ym⋯⋱⋯∂xn∂y1⋮∂xn∂ym⎦

⎤

$q=W⋅x=(W1,1x1+⋯+W1,nxn⋮Wn,1x1+⋯+Wn,nxn)\begin{array}{l} q=W \cdot x=\left(\begin{array}{c} W_{1,1} x_{1}+\cdots+W_{1, n} x_{n} \\ \vdots \\ W_{n, 1} x_{1}+\cdots+W_{n, n} x_{n} \end{array}\right) \\ \end{array}$

⎛W1,1x1+⋯+W1,nxn⋮Wn,1x1+⋯+Wn,nxn⎠

⎞

$f(q)=∥q∥2=q12+⋯+qn2f(q)=\|q\|^{2}=q_{1}^{2}+\cdots+q_{n}^{2}$

可以看出：

$∂f∂qi=2qi\frac{\partial f}{\partial q_i}=2q_i$ 从而得到 $f$ 对 $q$ 的梯度为 $2 q$ ；
$∂qk∂Wi,j=1i=kxj\frac{\partial q_k}{\partial W_{i, j}}=1{i=k}x_j$ ， $∂f∂Wi,j=∑k=1n∂f∂qk∂qk∂Wi,j=∑k=1n(2qk)1i=kxj=2qixj\frac{\partial f}{\partial W_{i, j}}=\sum_{k=1}^n\frac{\partial f}{\partial q_k}\frac{\partial q_k}{\partial W_{i, j}}=\sum_{k=1}^n(2q_k)1{i=k}x_j=2q_ix_j$ ，从而得到 $f$ 对 $W$ 的梯度为 $2q⋅xT2q\cdot x^T$ ；
$∂qk∂xi=Wk,i\frac{\partial q_k}{\partial x_i}=W_{k,i}$ ， $∂f∂xi=∑k=1n∂f∂qk∂qk∂xi=∑k=1n(2qk)Wk,i\frac{\partial f}{\partial x_i}=\sum_{k=1}^n\frac{\partial f}{\partial q_k}\frac{\partial q_k}{\partial x_i}=\sum_{k=1}^n(2q_k)W_{k,i}$ ，从而得到 $f$ 对 $x$ 的梯度为 $2WT⋅q2W^T\cdot q$

下面为计算图：

2) 代码实现

import numpy as np# 初值
W = np.array([[0.1, 0.5], [-0.3, 0.8]])
x = np.array([0.2, 0.4]).reshape((2, 1))  # 为了保证dq.dot(x.T)是一个矩阵而不是实数# 前向传播
q = W.dot(x)
f = np.sum(np.square(q), axis=0)# 反向传播
# 回传 f = np.sum(np.square(q), axis=0)
dq = 2*q
# 回传 q = W.dot(x)
dW = dq.dot(x.T)  # x.T就是对矩阵x进行转置
dx = W.T.dot(dq)

注意：要分析维度！不要去记忆 $d W$ 和 $d x$ 的表达式，因为它们很容易通过维度推导出来。

权重的梯度 $d W$ 的尺寸肯定和权重矩阵 $W$ 的尺寸是一样的

这里的 $f$ 输出是一个实数，所以 $d W$ 和 $W$ 的形状一致。
如果考虑 $d q / d W$ 的话，如果按照雅克比矩阵的定义， $d q / d w$ 应该是 $\times 2 \times 2$ 维，为了减小计算量，就令其等于 $x$ 。
其实完全不用考虑那么复杂，因为最终的损失函数一定是一个实数，所以每个门单元的输入梯度一定和原输入形状相同。 关于这点的说明，可以点击这里，官网进行了详细的推导。
而这又是由 $x$ 和 $d q$ 的矩阵乘法决定的，总有一个方式是能够让维度之间能够对的上的。

例如， $x$ 的尺寸是 $\times 1]$ ， $d q$ 的尺寸是 $\times 1]$ ，如果你想要 $d W$ 和 $W$ 的尺寸是 $\times 2]$ ，那就要 dq.dot(x.T)，如果是 x.T.dot(dq) 结果就不对了。（ $d q$ 是回传梯度不能转置！）

2.神经网络简介

2.1 神经网络算法介绍

在不诉诸大脑的类比的情况下，依然是可以对神经网络算法进行介绍的。

在线性分类一节中，在给出图像的情况下，是使用 $W x$ 来计算不同视觉类别的评分，其中 $W$ 是一个矩阵， $x$ 是一个输入列向量，它包含了图像的全部像素数据。在使用数据库 CIFAR-10 的案例中， $x$ 是一个 $3072 \times 1]$ 的列向量， $W$ 是一个 $10 \times 3072]$ 的矩阵，所以输出的评分是一个包含10个分类评分的向量。

一个两层的神经网络算法则不同，它的计算公式是 $s = W_2 \max(0, W_1 x)$ 。

$W_1$ 的含义：举例来说，它可以是一个 $100 \times 3072]$ 的矩阵，其作用是将图像转化为一个100维的过渡向量，比如马的图片有头朝左和朝右，会分别得到一个分数。

函数 $ma x (0, -)$ 是非线性的，它会作用到每个元素。这个非线性函数有多种选择，大家在后续激活函数里会再看到。现在看到的这个函数是最常用的ReLU激活函数，它将所有小于 $0$ 的值变成 $0$ 。

矩阵 $W_2$ 的尺寸是 $10 \times 100]$ ，会对中间层的得分进行加权求和，因此将得到 10 个数字，这10个数字可以解释为是分类的评分。

注意：非线性函数在计算上是至关重要的，如果略去这一步，那么两个矩阵将会合二为一，对于分类的评分计算将重新变成关于输入的线性函数。这个非线性函数就是改变的关键点。

参数 $W_1$ **,$ **W_2$ 将通过随机梯度下降来学习到，他们的梯度在反向传播过程中，通过链式法则来求导计算得出。

一个三层的神经网络可以类比地看做 $s = W_3 \max(0, W_2 \max(0, W_1 x))$ ，其中 $W_1$ , $W_2$ , $W_3$ 是需要进行学习的参数。中间隐层的尺寸是网络的超参数，后续将学习如何设置它们。现在让我们先从神经元或者网络的角度理解上述计算。

两层神经网络参考代码实现如下，中间层使用 sigmoid 函数：

import numpy as np
from numpy.random import randnN, D_in, H, D_out = 64, 1000, 100, 10
# x 是64x1000的矩阵，y是64x10的矩阵
x, y = randn(N, D_in), randn(N, D_out)
# w1是1000x100的矩阵，w2是100x10的矩阵
w1, w2 = randn(D_in, H), randn(H, D_out)# 迭代10000次，损失达到0.0001级
for t in range(10000):h = 1 / (1 + np.exp(-x.dot(w1)))  # 激活函数使用sigmoid函数，中间层y_pred = h.dot(w2)loss = np.square(y_pred - y).sum()  # 损失使用 L2 范数print(str(t)+': '+str(loss))# 反向传播grad_y_pred = 2.0 * (y_pred - y)grad_w2 = h.T.dot(grad_y_pred)grad_h = grad_y_pred.dot(w2.T)# grad_xw1 = grad_h*h*(1-h)grad_w1 = x.T.dot(grad_h*h*(1-h))# 学习率是0.0001w1 -= 1e-4 * grad_w1w2 -= 1e-4 * grad_w2

2.2 神经网络与真实的神经对比

神经网络算法很多时候是受生物神经系统启发而简化模拟得到的。

大脑的基本计算单位是神经元（neuron） 。人类的神经系统中大约有 860 亿个神经元，它们被大约 1014 - 1015 个突触（synapses） 连接起来。下图的上方是一个生物学的神经元，下方是一个简化的常用数学模型。每个神经元都从它的树突（dendrites） 获得输入信号，然后沿着它唯一的轴突（axon） 产生输出信号。轴突在末端会逐渐分枝，通过突触和其他神经元的树突相连。

在神经元的计算模型中，沿着轴突传播的信号（比如 $x_0$ ）将基于突触的突触强度（比如 $w_0$ ），与其他神经元的树突进行乘法交互（比如 $w_0 x_0$ ）。

对应的想法是，突触的强度（也就是权重 $w$ ），是可学习的且可以控制一个神经元对于另一个神经元的影响强度（还可以控制影响方向：使其兴奋（正权重）或使其抑制（负权重））。

树突将信号传递到细胞体，信号在细胞体中相加。如果最终之和高于某个阈值，那么神经元将会「激活」，向其轴突输出一个峰值信号。

在计算模型中，我们假设峰值信号的准确时间点不重要，是激活信号的频率在交流信息。基于这个速率编码的观点，将神经元的激活率建模为激活函数（activation function） $f$ ，它表达了轴突上激活信号的频率。

由于历史原因，激活函数常常选择使用sigmoid函数 $σ\sigma$ ，该函数输入实数值（求和后的信号强度），然后将输入值压缩到 $0∼10\sim 1$ 之间。在本节后面部分会看到这些激活函数的各种细节。

这里的激活函数 $f$ 采用的是 sigmoid 函数，代码如下：

class Neuron:# ...def neuron_tick(self, inputs):# 假设输入和权重都是1xD的向量，偏差是一个数字cell_body_sum = np.sum(inputs*self.weights) + self.bias# 当和远大于0时，输出为1，被激活firing_rate = 1.0 / (1.0 + np.exp(-cell_body_sum))return firing_rate

2.3 常用的激活函数

3.神经网络结构

关于神经网络结构的知识也可以参考ShowMeAI的 深度学习教程 | 吴恩达专项课程 · 全套笔记解读 中的文章 神经网络基础、浅层神经网络、深层神经网络 里对于不同深度的网络结构的讲解

对于普通神经网络，最普通的层级结构是全连接层（fully-connected layer）。全连接层中的神经元与其前后两层的神经元是完全成对连接的，但是在同层内部的神经元之间没有连接。网络结构中没有循环（因为这样会导致前向传播的无限循环）。

下面是两个神经网络的图例，都使用的全连接层：

左边：一个2层神经网络，隐层由4个神经元（也可称为单元（unit））组成，输出层由2个神经元组成，输入层是3个神经元（指的是输入图片的维度而不是图片的数量）。
右边：一个3层神经网络，两个含4个神经元的隐层。

注意：当我们说 $N$ 层神经网络的时候，我们并不计入输入层。单层的神经网络就是没有隐层的（输入直接映射到输出）。也会使用人工神经网络（Artificial Neural Networks 缩写ANN）或者多层感知器（Multi-Layer Perceptrons 缩写MLP）来指代全连接层构建的这种神经网络。此外，输出层的神经元一般不含激活函数。

用来度量神经网络的尺寸的标准主要有两个：一个是神经元的个数，另一个是参数的个数。用上面图示的两个网络举例：

第一个网络有 $4 + 2 = 6$ 个神经元（输入层不算）， $\times 4]+[4 \times 2]=20$ 个权重，还有 $4 + 2 = 6$ 个偏置，共 $26$ 个可学习的参数。
第二个网络有 $4 + 4 + 1 = 9$ 个神经元， $\times 4]+[4 \times 4]+[4 \times 1]=32$ 个权重， $4 + 4 + 1 = 9$ 个偏置，共 $41$ 个可学习的参数。

现代卷积神经网络能包含上亿个参数，可由几十上百层构成（这就是深度学习）。

3.1 三层神经网络代码示例

不断用相似的结构堆叠形成网络，这让神经网络算法使用矩阵向量操作变得简单和高效。我们回到上面那个3层神经网络，输入是 $\times 1]$ 的向量。一个层所有连接的权重可以存在一个单独的矩阵中。

比如第一个隐层的权重 $W_1$ 是 $\times 3]$ ，所有单元的偏置储存在 $b_1$ 中，尺寸 $\times 1]$ 。这样，每个神经元的权重都在 $W_1$ 的一个行中，于是矩阵乘法 np.dot(W1, x)+b1 就能作为该层中所有神经元激活函数的输入数据。类似的， $W_2$ 将会是 $\times 4]$ 矩阵，存储着第二个隐层的连接， $W_3$ 是 $\times 4]$ 的矩阵，用于输出层。

完整的3层神经网络的前向传播就是简单的3次矩阵乘法，其中交织着激活函数的应用。

import numpy as np# 三层神经网络的前向传播
# 激活函数
f = lambda x: 1.0/(1.0 + np.exp(-x))# 随机输入向量3x1
x = np.random.randn(3, 1)
# 设置权重和偏差
W1, W2, W3 = np.random.randn(4, 3), np.random.randn(4, 4), np.random.randn(1, 4),
b1, b2= np.random.randn(4, 1), np.random.randn(4, 1)
b3 = 1# 计算第一个隐藏层激活 4x1
h1 = f(np.dot(W1, x) + b1)
# 计算第二个隐藏层激活 4x1
h2 = f(np.dot(W2, h1) + b2)
# 输出是一个数
out = np.dot(W3, h2) + b3

在上面的代码中， $W_1$ ， $W_2$ ， $W_3$ ， $b_1$ ， $b_2$ ， $b_3$ 都是网络中可以学习的参数。注意 $x$ 并不是一个单独的列向量，而可以是一个批量的训练数据（其中每个输入样本将会是 $x$ 中的一列），所有的样本将会被并行化的高效计算出来。

注意神经网络最后一层通常是没有激活函数的（例如，在分类任务中它给出一个实数值的分类评分）。

全连接层的前向传播一般就是先进行一个矩阵乘法，然后加上偏置并运用激活函数。

3.2 理解神经网络

关于深度神经网络的解释也可以参考ShowMeAI的 深度学习教程 | 吴恩达专项课程 · 全套笔记解读 中的文章 深层神经网络 里「深度网络其他优势」部分的讲解

全连接层的神经网络的一种理解是：

它们定义了一个由一系列函数组成的函数族，网络的权重就是每个函数的参数。

拥有至少一个隐层的神经网络是一个通用的近似器，神经网络可以近似任何连续函数。

虽然一个2层网络在数学理论上能完美地近似所有连续函数，但在实际操作中效果相对较差。虽然在理论上深层网络（使用了多个隐层）和单层网络的表达能力是一样的，但是就实践经验而言，深度网络效果比单层网络好。

对于全连接神经网络而言，在实践中3层的神经网络会比2层的表现好，然而继续加深（做到4，5，6层）很少有太大帮助。卷积神经网络的情况却不同，在卷积神经网络中，对于一个良好的识别系统来说，深度是一个非常重要的因素（比如当今效果好的CNN都有几十上百层）。对于该现象的一种解释观点是：因为图像拥有层次化结构（比如脸是由眼睛等组成，眼睛又是由边缘组成），所以多层处理对于这种数据就有直观意义。

4.拓展学习

可以点击 B站查看视频的【双语字幕】版本

【字幕+资料下载】斯坦福CS231n | 面向视觉识别的卷积神经网络 (2017·全16讲)

【课程学习指南】斯坦福CS231n | 深度学习与计算机视觉
【字幕+资料下载】斯坦福CS231n | 深度学习与计算机视觉 (2017·全16讲)
【CS231n进阶课】密歇根EECS498 | 深度学习与计算机视觉
【深度学习教程】吴恩达专项课程 · 全套笔记解读
【Stanford官网】CS231n: Deep Learning for Computer Vision

5.要点总结

前向传播与反向传播
标量与向量化形式计算
求导链式法则应用
神经网络结构
激活函数
理解神经网络

ShowMeAI 斯坦福 CS231n 全套解读

ShowMeAI 系列教程推荐

深度学习与计算机视觉教程(4) | 神经网络与反向传播（CV通关指南·完结）相关推荐

深度学习与计算机视觉教程(3) | 损失函数与最优化（CV通关指南·完结）
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/37 本文地址:https://www.showmeai.tech/article-d ...
深度学习与计算机视觉教程(11) | 循环神经网络及视觉应用（CV通关指南·完结）
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/37 本文地址:https://www.showmeai.tech/article-d ...
深度学习与计算机视觉教程(10) | 轻量化CNN架构 (SqueezeNet,ShuffleNet,MobileNet等)（CV通关指南·完结）
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/37 本文地址:https://www.showmeai.tech/article-d ...
深度学习与自然语言处理教程(3) - 神经网络与反向传播（NLP通关指南·完结）
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/36 本文地址:https://www.showmeai.tech/article-d ...
深度学习与计算机视觉教程：斯坦福CS231n · 全套笔记解读
作者:韩信子@ShowMeAI 教程地址:https://www.showmeai.tech/tutorials/37 本文地址:https://www.showmeai.tech/article-d ...
深度学习的数学-神经单元误差和反向传播
文章目录前言正文神经单元误差梯度下降算法在实际应用中的难点神经单元误差的定义和含义神经单元误差关于权重和偏置的偏导数(重点) 关于权重的偏导数推导偏置的偏导数推导公式一般化误差反向传 ...
《深度学习入门》实现三层神经网络前向传播
使用python实现三层神经网络前向传播推理. #实现三层神经网络前向传播 import numpy as np #激活函数 def sigmoid(x):return 1 / (1 + np.exp ...
深度学习 --- BP算法详解（误差反向传播算法）
本节开始深度学习的第一个算法BP算法,本打算第一个算法为单层感知器,但是感觉太简单了,不懂得找本书看看就会了,这里简要的介绍一下单层感知器: 图中可以看到,单层感知器很简单,其实本质上他就是线性分类器 ...
深度学习笔记--pytorch从梯度下降到反向传播BP到线性回归实现，以及API调用和手写数据集的实现
梯度下降和反向传播目标知道什么是梯度下降知道什么是反向传播 1. 梯度是什么? 梯度:是一个向量,导数+变化最快的方向(学习的前进方向) 回顾机器学习收集数据 x x x ,构建机器学习模型 ...

深度学习与计算机视觉教程(4) | 神经网络与反向传播（CV通关指南·完结）

引言