详解+推导 神经网络中的前向传播和反向传播公式(神经网络中的梯度下降)
文章目录
- 线性回归快速回忆
- 逻辑回归中的正向传播与反向传播
- 逻辑回归中的正向传播与反向传播-代码实战
- 神经网络的正向传播与反向传播
- 参考资料
线性回归快速回忆
在线性回归(y=ax+by=ax+by=ax+b)中,使用梯度下降时的公式为:
a=a−ηdJdaa = a-\eta \frac{dJ}{da} a=a−ηdadJ
通过求出代价函数 JJJ 对参数 aaa 的导数,来更新 aaa ,不断重复该过程,直到某次a值的变化趋于0,即认为已经找到了最佳的 aaa
逻辑回归中的正向传播与反向传播
这里将逻辑回归看成一个:有两个输入,没有隐藏层的简单神经网络。
其中:
z=w0+w1x1+w2x2y^=a=σ(z)L(a,y)=−(ylog(a)+(1−y)log(1−a))\begin{aligned} & z = w_0 + w_1 x_1 + w_2 x_2 \\\\ & \hat{y}=a=\sigma(z) \\\\ & \mathcal{L}(a, y)=-(y \log (a)+(1-y) \log (1-a)) \end{aligned} z=w0+w1x1+w2x2y^=a=σ(z)L(a,y)=−(ylog(a)+(1−y)log(1−a))
使用sigmoid σ\sigmaσ 作为激活函数,L\mathcal{L}L 为损失函数
正向传播就是输出 x1,x2x_1,x_2x1,x2 ,通过上述公式计算出 y^\hat{y}y^
反向传播就是通过得到的 y^\hat{y}y^,利用上述公式,推导出 dLdw1\frac{d\mathcal{L}}{dw_1}dw1dL 和 dLdw2\frac{d\mathcal{L}}{dw_2}dw2dL(假设只取一样本)
正向传播很简单,只需要代入算即可。
反向传播只需要使用微积分中的链式法则即可,即:
dLdw1=dLdadadzdzdw1\frac{d\mathcal{L}}{dw_1} = \frac{d\mathcal{L}}{da} \frac{da}{dz} \frac{dz}{dw_1} dw1dL=dadLdzdadw1dz
其中:
dLda=−ya+1−y1−adadz=a(1−a)dzdw1=x1\begin{aligned} & \frac{d\mathcal{L}}{da} = -\frac{y}{a} + \frac{1-y}{1-a}\\\\ & \frac{da}{dz} = a(1-a) \\\\ & \frac{dz}{dw_1} = x_1 \end{aligned} dadL=−ay+1−a1−ydzda=a(1−a)dw1dz=x1
将上式代入原式,得:
dLdw1=(a−y)x1=(y^−y)x1\frac{d\mathcal{L}}{dw_1} = (a - y)x_1 = (\hat{y} - y)x_1 dw1dL=(a−y)x1=(y^−y)x1
到这里,我们计算出了 dLdw1\frac{d\mathcal{L}}{dw_1}dw1dL ,这样就可以利用梯度下降求解最佳的 w1w_1w1,即:
w1=w1−ηdLdw1w_1 = w_1 - \eta \frac{d\mathcal{L}}{dw_1} w1=w1−ηdw1dL
w0和w2w_0 和w_2w0和w2 同理
逻辑回归中的正向传播与反向传播-代码实战
有了上面的理论基础,就可以轻松进行实现:
import numpy as np
import matplotlib.pyplot as plt
from sklearn import datasets
import math
import random
iris = datasets.load_iris() # 去iris数据集X = iris.data
y = iris.targetX = X[y<2, :2] # 只要0、1的,且只取两个特征
y = y[y<2]
plt.scatter(X[y==0, 0],X[y==0, 1])
plt.scatter(X[y==1, 0],X[y==1, 1])
plt.xlabel("x1")
plt.ylabel("x2")
plt.show()
def z(x1, x2, w0, w1, w2):return w0 + w1*x1 + w2*x2
def y_hat(z):return 1 / (1 + math.exp(-z))
def dw1(y_hat, y, x1):return (y_hat-y) * x1
def dw2(y_hat, y, x2):return (y_hat-y) * x2
def dw0(y_hat, y):return y_hat - y
# 初始化权重
w0, w1, w2 = random.random(), random.random(), random.random()
eta = 0.01 # 学习率
for _ in range(1000): # 进行1000次学习for i, x in enumerate(X):x1 = x[0]x2 = x[1]y_predict = y_hat(z(x1, x2, w0, w1, w2))w1 = w1 - eta * dw1(y_predict, y[i], x1)w2 = w2 - eta * dw2(y_predict, y[i], x2)w0 = w0 - eta * dw0(y_predict, y[i])
x1_plot = np.arange(4, 7, 0.1) # 将直线绘制出来
x2_plot = (w0 + w1*x1_plot)/(-w2)
plt.scatter(X[y==0, 0],X[y==0, 1])
plt.scatter(X[y==1, 0],X[y==1, 1])
plt.plot(x1_plot, x2_plot)
plt.xlabel("x1")
plt.ylabel("x2")
plt.show()
神经网络的正向传播与反向传播
有了上面的基础,我们就可以推导神经网络的正向传播和反向传播的公式了。
这里使用西瓜书的相关符号。
这里,我们有一个神经网络,ddd 个输入, lll 个输出,单个隐层,隐层有 qqq 个神经元。vihv_{ih}vih表示xix_ixi与bhb_hbh之间的权重,whjw_{hj}whj 表示 bhb_hbh 与 yjy_jyj 之间的权重。
激活函数使用 sigmoid,记作 fff
对于训练集 (xk,yk)(x_k, y_k)(xk,yk), 利用正向传播,我们可以得到第j个输出 y^jk\hat{y}^k_jy^jk 得值,公式为:
y^jk=f(βj−θj)(1)\hat{y}^k_j = f(\beta_j - \theta_j) ~~~~~~~~~~~~~~~(1) y^jk=f(βj−θj) (1)
(1) 公式的解释:
βj\beta_jβj 为所有隐层“b1,⋯,bqb_1, \cdots , b_qb1,⋯,bq” 与 输出层 yjy_jyj 的乘积,即:
βj=w1jb1+w2jb2+⋯+wqjbq=∑h=1qwhjbh\beta_j = w_{1_j} b_1 + w_{2_j} b_2 + \cdots + w_{q_j} b_q = \sum_{h=1}^{q} w_{h j} b_{h} βj=w1jb1+w2jb2+⋯+wqjbq=h=1∑qwhjbh
相当于上一章的 z=w0+w1x1+w2x2z = w_0 + w_1 x_1 + w_2 x_2z=w0+w1x1+w2x2
此时可以发现 βj\beta_jβj 少了一个偏移量w0w_0w0,在西瓜书中,使用 θj\theta_jθj 表示了这个偏移量。所以才会有 βj−θj\beta_j - \theta_jβj−θj。
将其代入 sigmoid 函数,就可以得到 y^jk\hat{y}^k_jy^jk 的值:
y^jk=f(βj−θj)\hat{y}^k_j = f(\beta_j - \theta_j) y^jk=f(βj−θj)
y^jk\hat{y}^k_jy^jk 的公式中为什么不包含输入 xxx ? 其实输入变量 x 包含在 隐层中,即隐层的 bjb_jbj 是通过所有 xxx 和 www 算出来的
拿到了 y^jk\hat{y}^k_jy^jk ,就可以定义代价函数了,这里使用均方误差来得出代价函数:
Ek=12∑j=1l(y^jk−yjk)2E_{k}=\frac{1}{2} \sum_{j=1}^{l}\left(\hat{y}_{j}^{k}-y_{j}^{k}\right)^{2} Ek=21j=1∑l(y^jk−yjk)2
有了代价函数 EkE_kEk,那只要求出来 ∂Ek∂whj\frac{\partial E_{k}}{\partial w_{h j}}∂whj∂Ek,那就可以利用梯度下降更新whjw_{hj}whj了,即
whj=whj−η∂Ek∂whjw_{hj} = w_{hj} - \eta \frac{\partial E_{k}}{\partial w_{h j}} whj=whj−η∂whj∂Ek
与上节一样,利用链式法则求∂Ek∂whj\frac{\partial E_{k}}{\partial w_{h j}}∂whj∂Ek, 即:
∂Ek∂whj=∂Ek∂y^jk⋅∂y^jk∂βj⋅∂βj∂whj\frac{\partial E_{k}}{\partial w_{h j}}=\frac{\partial E_{k}}{\partial \hat{y}_{j}^{k}} \cdot \frac{\partial \hat{y}_{j}^{k}}{\partial \beta_{j}} \cdot \frac{\partial \beta_{j}}{\partial w_{h j}} ∂whj∂Ek=∂y^jk∂Ek⋅∂βj∂y^jk⋅∂whj∂βj
到这如果可以看懂,基本就算成功了。通过简单计算可以得出:
∂βj∂whj=bh∂y^jk∂βj=y^jk(1−y^jk)∂Ek∂y^jk=y^jk−yjk\begin{aligned} & \frac{\partial \beta_{j}}{\partial w_{h j}}=b_{h} \\\\ & \frac{\partial \hat{y}_{j}^{k}}{\partial \beta_{j}} = \hat{y}^k_j (1-\hat{y}^k_j) \\\\ & \frac{\partial E_{k}}{\partial \hat{y}_{j}^{k}} = \hat{y}_{j}^{k}-y_{j}^{k} \end{aligned} ∂whj∂βj=bh∂βj∂y^jk=y^jk(1−y^jk)∂y^jk∂Ek=y^jk−yjk
将其代入原始就可以得到 whjw_{hj}whj 的梯度下降公式,即:
whj=whj−η∂Ek∂whj=whj−η(y^jk−yjk)y^jk(1−y^jk)bhw_{hj} = w_{hj} - \eta \frac{\partial E_{k}}{\partial w_{h j}} = w_{hj} - \eta (\hat{y}_{j}^{k}-y_{j}^{k})\hat{y}^k_j (1-\hat{y}^k_j)b_{h} whj=whj−η∂whj∂Ek=whj−η(y^jk−yjk)y^jk(1−y^jk)bh
同理,也可以得出 vhjv_{hj}vhj 和 θj\theta_jθj 的梯度下降公式。
参考资料
考研必备数学公式大全: https://blog.csdn.net/zhaohongfei_358/article/details/106039576
机器学习纸上谈兵之线性回归: https://blog.csdn.net/zhaohongfei_358/article/details/117967229
Sigmoid函数求导过程: https://blog.csdn.net/zhaohongfei_358/article/details/119274445
周志华西瓜书
吴恩达深度学习
详解+推导 神经网络中的前向传播和反向传播公式(神经网络中的梯度下降)相关推荐
- 卷积神经网络CNN的前向和后向传播(一)
卷积神经网络CNN的前向和后向传播 卷积运算与相关的区别 卷积运算的正向和反向传播 原文 Forward And Backpropagation in Convolutional Neural Net ...
- 神经网络的前向传播与反向传播
神经网络的前向传播和反向传播 相信一开始,大家可能都对神经网络的前向传播和反向传播很头疼,我之前也是一样,后来慢慢懂了,现在深感知识传递的重要性.因此现在我就把我的一点点对两者的理解表达一下,希望能帮 ...
- (二十四) 手推BP神经网络的前向传播和反向传播
手推BP神经网络的前向传播和反向传播 一.基本术语 1.监督学习与非监督学习 Supervised Learning有监督式学习: 输入的数据被称为训练数据,一个模型需要通过一个训练过程,在这个过程中 ...
- LSTM前向传播与反向传播算法推导(非常详细)
1.长短期记忆网络LSTM LSTM(Long short-term memory)通过刻意的设计来避免长期依赖问题,是一种特殊的RNN.长时间记住信息实际上是 LSTM 的默认行为,而不是需要努力学 ...
- 花书+吴恩达深度学习(十三)卷积神经网络 CNN 之运算过程(前向传播、反向传播)
目录 0. 前言 1. 单层卷积网络 2. 各参数维度 3. CNN 前向传播反向传播 如果这篇文章对你有一点小小的帮助,请给个关注,点个赞喔~我会非常开心的~ 花书+吴恩达深度学习(十)卷积神经网络 ...
- 神经网络理解:前向传播与反向传播
文章目录 参考资料 神经网络 前向传播 1. 输入层->隐含层 2. 隐含层->输出层 反向传播 1. 计算总误差 2. 隐藏层与输出层之间的权重更新 3. 输入层与隐藏层之间的权重更新 ...
- 对于CNN卷积神经网络的前向传播和反向传播的理解
对于CNN卷积神经网络的前向传播和反向传播的理解 前向传播示意图: 咋一看这张图,作为初学者可能会不知所云( ̄ω ̄=)?但是想要很好的理解前向传播的原理,我们得从这张图细说. 文章目录 对于CNN ...
- 神经网络前向传播和反向传播公式推导(公式+图解)
以如下的预测是否是猫的双层神经网络为例进行公式推导: 符号注解: n_x : 输入特征的数量 n_h : 隐藏层的节点数量 n_y : 输出层的节点数量 m : 样本数量 W :权重矩阵 b :偏置 ...
- 深度神经网络(DNN)正向传播与反向传播推导(通俗易懂)
一.前言 我在之前的博客里面介绍过浅层的神经网络,现在就从浅层神经网络出发,介绍深度神经网络(DNN)的正向传播和反向传播.希望网友们看本博客之前需要对神经网络有个简单的了解,或者可以看博客初探神经网 ...
最新文章
- 白领学python_大学生应该早早自学Python,Ps,Pr,office三件套,还是等到要用的时候再学?...
- spring-boot-2.0.3之quartz集成,不是你想的那样哦!
- juqery-筛选器-找前后上下
- java ssm框架 mapper文件里的#符号和$符号的区别
- 都说不建议使用递归操作,到底为什么?
- mac 您没有权限打开应用程序_Mac应用程序无法打开或文件损坏的解决方法
- 吉林大学计算机学院刘衍衍教授,周柚-吉林大学计算机科学与技术学院
- java jdk运行_JDK如何运行
- 两台计算机怎么网络连接,两台电脑怎么连接局域网,详细教您两台电脑怎么连接局域网...
- Java 找水仙花数
- 3.Adaptive AUTOSAR 架构详解
- 网页导出pdf不完整_网页文本无法复制?学会这3个套路,一分钟帮你突破限制...
- 消费者运营-阿里系三大模型
- javaSE - 逻辑控制和输入输出(复习)
- Hexo的Next主题配置
- B. Multiply by 2, divide by 6(数学) Codeforces Round #653 (Div. 3)
- 重新认识 Java 的 System.in
- Python之路【第十六篇】:Django【基础篇】
- 软件对计算机有配置要求吗,学软件工程对笔记本电脑配置有要求吗?
- Ubuntu系统_安装NVIDIA显卡驱动与CUDA Toolkit