反向传播(Backpropagation)算法详解

反向传播(back propagation)算法详解

反向传播算法是神经网络的基础之一，该算法主要用于根据损失函数来对网络参数进行优化，下面主要根据李宏毅机器学习课程来整理反向传播算法，原版视频在https://www.bilibili.com/video/av10590361/?p=14.

首先，我们来看一看优化方程：

上面的损失函数是普通的交叉熵损失函数，然后加上了正则化项，为了更新参数W，我们需要知道J关于W的偏导。

上图是一个简单的例子，我们截取神经网络的一部分，根据链式法则(chain rule),要想知道J关于w的偏导，我们需要求出：

上面的式子也可以写成下式，a代表activation function也就是激活函数：

     

 

1:前向传播（forward pass）

在前向传播中，我们可以得到每个神经元的输出z，以及z关于该层参数w的偏微分：

根据z的式子我们可以知道，z关于w的偏导等于该层的输入，下图是一个例子:

2:反向传播(backward pass)

通过正向传播，我们已经知道了但是还没有求出来，而这两项都是在反向传播过程中得到的。

其中比较好求，因为它的值就是激活函数的偏导，比如sigmoid函数的偏导等于z(1-z).因此现在我们只需要求解：

根据链式法则，等于所有分支关于a的偏导，如上图所示。

因此求解的过程大致如下：

为了求，我们需要求解，如果直接连接输出的话，可以按照下面求解：

如果不是直接输出，那么就递归的求解。

下面就是总的过程：

可以看出，在求解偏导的时候，需要乘以每一层的输出z，以及激活函数的导数，以及中间的参数w，因此在训练神经网络的时候需要做batch normalization，使得每一层的输入大致在一个scale下面，另外还需要加正则项防止w过大（会造成梯度爆炸），除此之外还需要设计一些好的激活函数来防止梯度消失问题(如sigmoid的偏导最大值为0.25，因此层数加深之后会造成梯度消失）。