神经网络学习笔记二——反向传导

参考自 http://deeplearning.stanford.edu/wiki/index.php/%E5%8F%8D%E5%90%91%E4%BC%A0%E5%AF%BC%E7%AE%97%E6%B3%95

神经网络的代价函数

假设我们有一个固定样本集。当使用批量梯度下降法求解时，单个样例的代价函数为：

这是个方差代价函数，对于整体的代价函数则为：

后面的项为规则化项，目的是防止过拟合

我们的目标是针对参数W,和b（其实可以设定一个x₀=1以及W₀来把b规避掉）来求其函数J（W，b）的最小值。这里的处理方式与普通的线性回归和逻辑回归不同，参数的初始化不能再简单的全部置0，而是使用随机值，比如使用正态分布 Normal（0，ε²）生成的随机值，ε取0.01，然后再使用梯度下降法。否则会法制最后所有隐藏单元最终会得到与输入值有关的、相同的函数

使用梯度下降法中每一次迭代都按照如下公式对参数W和b进行更新：

α是学习速率

其关键在于计算偏导数，这里有一种有效的方法，就是后向传播算法（BP）

后向传播算法

后向传播的实质是在求各层的损失函数的导函数时，由于每一层的输入是前一层的输出的线性组合，所以该层的导函数一定与前一层的损失函数的导数相关相关

具体来说，各层的代价函数的导函数如下：

下面少一项是因为规则项不作用于常数项上

反向传播的具体执行思路为，

1）先进行前导计算，算出直到最后一层（输出层）的激活值（输出值）

2）最后一层的每个输出单元i，根据以下公式计算残差：

（其实和普通的线性回归没差）

3）对于l = nl-1,nl-2,nl-3...的各层，第l层的第i个节点的残差计算方法如下：

推导公式如下（以nl和nl-1层为例，其他的类推即可）

4）计算我们需要的偏导数，方法为：

以上步骤写作向量形式为：

1）前向计算

2）对于输出层

     中间的大黑点表示matlab中.*的运算

3）对于输出层前面的各层

4)计算最终需要的偏导数值：

若f(z)是sigmoid的函数，且我们在前向计算中已经算到了。我们可以利用前面的结论得到

最后整个算法可以表示如下：

1）对于所有l，有，（设为全零向量或全零矩阵）这是为了存储所有的损失函数导函数

2）对于i = 1 to m（所有训练样本）

　　a.使用反向传播算法计算和

　　b.计算

　　c.计算

3）更新权重参数：

这只是一次迭代的操作，反复进行该操作，以减小代价函数（损失函数）J，最终求解该神经网络