ML 神经网络 NeuralNetworks

神经网络

Neural Networks

1 为什么要用神经网络？

既然前面降了逻辑回归，为什么还需要神经网络呢？前面我们制定在非线性分类问题中，也可以使用逻辑回归进行分类，不过我们的特征变量就变成了原始特征的高阶多项式。假设有100个特征变量，要使用逻辑回归进行分类的话，特征就呈指数增长，不仅计算量十分大，而且很容易过拟合。

2 模型表示

神经元模型

    单个神经元可以是一个逻辑回归模型。

基本神经网络

    由多个神经元组成，一般有输入层、隐层和输出层。

写成向量形式：

3 举例Examples and intuitions

首先我们看看sigmoid函数的大致图像，对于线性的分类，我们使用一个神经元就可以完成了。

而对于非线性的分类，例如XNOR运算，我们将多个神经元组成一个神经网络可以表达更复杂的模型。

多分类

4 代价函数 cost function

先回顾一下逻辑回归的代价函数：

现在给出神经网络的代价函数：

正则项其实就是把除了偏置外所有的参数相加。

5 后向传播算法Backpropagation algorithm

我们要使用梯度下降来计算参数时，需要计算出和

先使用前向传播算法：

然后计算出每层的残差，进行后向传播：

由于输入层直接使用的是输入数据，不存在误差，所以只用计算到第二层。

具体的算法：

Backpropagation algorithm

Training set

Set

For

    Set

    Perform forward propagation to compute

    Using

    Compute

   

 

梯度检验

在进行后向传播算法训练参数前，为了确保我们的代码计算偏导是正确的，我们可以使用梯度检验。其实就是用数值计算偏导的方法。不过在训练时，一定要记得把梯度检验关掉，因为数值计算偏导十分耗时。

6 随机初始化 Random initialization

在线性回归和逻辑回归中，我们对参数初始化都是赋值为0，那么我们在神经网络中是否也可以全部赋值为0 呢？这样是不行的，如果全部赋值为0，那么每层的每个单元会学习到同样的参数，每个单元也就无法体现出自己的效果了。所以我们要打破这种情况，采取随机初始化。

7 总结 Putting it together

对于一个神经网络，有输入，输出和隐层，那么我们如何去选择每层有多少单元呢？输入层和输出层的结构我们根据要解决的问题要选定，那么对于隐层我们一般会选取含有同样个数的单元。

训练一个神经网络的主要步骤：

1. 随机初始化权重。
2. 使用向前传播算法，对于每一个输入计算得到
3. 计算代价函数
4. 使用后向传播算法计算偏导
5. 用梯度检验验证的正确性（训练的时候记得要把梯度检验关掉）
6. 使用梯度下降法最小化，求出参数。

是一个非凸的，可能收敛到局部最小。