神经网络与深度学习笔记 Chapter 2.

 

转载请注明出处http://www.cnblogs.com/zhangcaiwang/p/6886037.html

以前都没有正儿八经地看过英文类文档，神经网络方面又没啥基础，结果第一章就花费了我将近一周的晚上。不过还是有收获的，希望英文阅读水平越来越高吧。

上一章讲解了神经网络如何通过梯度下降学习权重和偏差，但是没有讲解代价函数（cost function）的梯度是怎么求解的。本章中主要讲解一个用来计算代价函数梯度的快速算法：反向传播（backpropagation）算法。

Warm up: a fast matrix-based approach to computing the output from a neural network

定义表示第(l-1)层的第k个神经元到第l层的第j个神经元的权重。表示第l层的第j个神经元的bias。表示地l层的第j个神经元的激活值。

接下来我们要把下面的等式向量化：

　　　　　　　　　　　　=====》

 其中a^l表示第l层网络的神经元的激活值构成的向量，w^l、b^l同理。其中被称为加权输入(weighted input).

The two assumptions we need about the cost function

第一个假设是，损失函数可以写为单个训练样例(x1,x2,x3,x4,...,xn)的损失函数的平均值，也就是：，这个假设在本系列文章中的其他损失函数中同样成立。我们做这个假设的原因是因为反向传播实际上让我们计算的是，然后我们通过对每一个训练样例做平均来得到。

第二个假设是，损失函数可以写成神经网络的输出的函数，如下所示：

　　　　　　　　　　　　

比如说二次损失函数(quadratic cost function)就满足这个要求，因为对于一个训练样例x的损失函数可以被写成，而它正是输出激活值的函数。

The Hadamard product, s⊙t

 Hadamard乘积是用来定义向量之间的乘积。向量s和向量t的乘积的结果仍为一个向量，且元素为s_jt_j，也就是有比如：

　　　　　　

反向传播的四个基本方程

 理解反向传播就是理解改变权重和bias是如何影响损失函数的。最终，这意味着计算，为了计算它们，我们要先引入一个中间量，它被称为第l层的第j个神经元的误差。定义：

　　　　　　　　　　　　　　　　　　　　　　　　

公式一，输出层误差公式：

　　　　 ------------------------>输出层单个神经元误差

　　　　------------->输出层误差向量形式，是偏导数的向量。

　　　　------------->输出层误差向量形式。如果单个神经元对单个输入样例的损失函数有的形式，那么很容易有。

公式二，误差传递公式：

　　　　。对于这个公式的前一部分，我们可以直观地认为当误差通过网络反向传播时

它给了我们一种测量第l层神经元误差的方式。第二部分把误差又进行反向传播并通过了激励函数，这样我们就得到了第l层加权输入中的误差。通过公式一和公式二，我们可以计算任意一层的误差，由公式一我们可以得到第L层的误差，用公式二反向传播可以获得l-1层的误差。依次向下进行。。。

公式三，损失函数对网络中bias的偏导公式： 

　　　　　，这就是说实际上等于损失函数的改变率。该公式可以重写如公式（31）：

　　　　，它的意思是说某一神经元的δ值由该神经元的bias值表示。

公式四，损失的改变率与网络中的权重的等式：

　　　　，这个公式表明了，如何通过a和δ计算。它可以被简化重写如（32）：

　　　　，用图表示就是。公式（32）表明，当ain很小的时候，损失函数对权重的偏导数也会很小，我们称之为学习慢（learn slowly），也就是说从低激发值神经元深处的权重学习慢。

由以上分析可知，反向传播通过δ来计算代价函数对权重和偏置的偏导数，进而可以通过梯度下降推导出的公式对权重进行更新。反向传播算法的意义就在于不用通过对权重和bias真正求出偏导数，这省去了很大的麻烦。

　　　　

参考资料：http://neuralnetworksanddeeplearning.com/chap2.html