神经网络二:浅谈反向传播算法(backpropagation algorithm)为什么会很快

在上一个博客神经网络一:介绍,示例,代码 中,介绍了神经网络的基本算法Backpropagation Algorithm,该算法有很多优点,具体的可自行查阅其他资料或博客,本文主要针对Backpropagation Algorithm中运行速度快的特点进行浅谈。

假设我们有一个固定样本集 \textstyle \{ (x^{(1)}, y^{(1)}), \ldots, (x^{(m)}, y^{(m)}) \},它包含 \textstyle m 个样例。具体来讲,对于单个样例 \textstyle (x,y),其代价函数为:

\begin{align}J(W,b; x,y) = \frac{1}{2} \left\| h_{W,b}(x) - y \right\|^2.\end{align}我们最后用得到:

 \begin{align}\frac{\partial}{\partial W_{ij}^{(l)}} J(W,b; x, y) &= a^{(l)}_j \delta_i^{(l+1)} \\\frac{\partial}{\partial b_{i}^{(l)}} J(W,b; x, y) &= \delta_i^{(l+1)}.\end{align}

最后计算出:

\begin{align}W_{ij}^{(l)} &= W_{ij}^{(l)} - \alpha \frac{\partial}{\partial W_{ij}^{(l)}} J(W,b) \\b_{i}^{(l)} &= b_{i}^{(l)} - \alpha \frac{\partial}{\partial b_{i}^{(l)}} J(W,b)\end{align}

为什么我们不能直接根据偏导公式

来直接计算呢?下面进行分析。

如果用直接计算的话,为了求
用微积分的乘法法则:把代价函数J(W,b;x,y)只当做是权重W(或偏向值b)的函数,于是定义:
,(ε>0且ε->0)。根据这个公式也能求出权重的偏导,但到具体计算时,假设神经网络有1百万个权重需要更新,则对于每一个权重w,都需要通过遍历一次神经网络模型来更新,1百万个权重的话就要遍历1百万次!
而这只是针对一个训练集数据而言,数据更多的话需要花费更多的计算量来更新每一个权重。

而用Backpropagation Algorithm的优势就在于,只需要一正一反遍历两次就可以把所有的偏导计算出来。相比于直接算偏导,就是2:1000000的计算比例。具体的Backpropagation Algorithm可参见上一个博客。





评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Bixiwen_liu

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值