反向传播算法(Backpropagation)是目前用来训练人工神经网络(Artificial Neural Network,ANN)的最常用且最有效的算法。其主要思想是:
![](https://img-blog.csdn.net/20160401202509000)
表示第![](https://img-blog.csdn.net/20160401202834876)
层的第![]()
个神经元连接到第![]()
层的第![]()
个神经元的权重;
表示第![]()
层的第![]()
个神经元的偏置;
![]()
表示第![]()
层的第![]()
个神经元的输入,即
:
![]()
表示第![](https://img-blog.csdn.net/20160401202901392)
层的第![]()
个神经元的输出,即
:
![](https://img-blog.csdn.net/20160401203231972)
![](https://img-blog.csdn.net/20160401203433129)
![](https://img-blog.csdn.net/20160401203458879)
![](https://img-blog.csdn.net/20160401203521035)
![](https://img-blog.csdn.net/20160401203552879)
![](https://img-blog.csdn.net/20160401203604942)
![]()
![](https://img-blog.csdn.net/20160401203624973)
![](https://img-blog.csdn.net/20160401203634161)
![](https://img-blog.csdn.net/20160401203641989)
![](https://img-blog.csdn.net/20160401203656833)
, ![](https://img-blog.csdn.net/20160401203806927)
![](https://img-blog.csdn.net/20160401203820380)
![](https://img-blog.csdn.net/20160401203833583)
![](https://img-blog.csdn.net/20160401203848037)
![](https://img-blog.csdn.net/20160401203859349)
(1)将训练集数据输入到ANN的输入层,经过隐藏层,最后达到输出层并输出结果,这是ANN的前向传播过程;
(2)由于ANN的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各种参数的值;不断迭代上述过程,直至收敛。
反向传播算法的思想比较容易理解,但具体的公式则要一步步推导,因此本文着重介绍公式的推导过程。
1. 变量定义
上图是一个三层人工神经网络,layer1至layer3分别是输入层、隐藏层和输出层。如图,先定义一些变量:
其中![](https://img-blog.csdn.net/20160401203156534)
表示激活函数。
2. 代价函数
代价函数被用来计算ANN输出值与实际值之间的误差。常用的代价函数是二次代价函数(Quadratic cost function):
其中,![](https://img-blog.csdn.net/20160401203246065)
表示输入的样本,![]()
表示实际的分类,![]()
表示预测的输出,![]()
表示神经网络的最大层数。
3. 公式及其推导
本节将介绍反向传播算法用到的4个公式,并进行推导。如果不想了解公式推导过程,请直接看第4节的算法步骤。
首先,将第![](https://img-blog.csdn.net/20160401202901392)
层第![]()
个神经元中产生的错误(即实际值与预测值之间的误差)定义为:
本文将以一个输入样本为例进行说明,此时代价函数表示为:
公式1(计算最后一层神经网络产生的错误):
其中,![]()
表示Hadamard乘积,用于矩阵或向量之间点对点的乘法运算。
公式1的推导过程如下:
公式2(由后往前,计算每一层神经网络产生的错误):
推导过程:
公式3(计算权重的梯度):
推导过程:
公式4(计算偏置的梯度):
推导过程:
4. 反向传播算法伪代码
- 输入训练集
- 对于训练集中的每个样本x,设置输入层(Input layer)对应的激活值
:
- 前向传播:
- 计算输出层产生的错误:
- 反向传播错误:
- 反向传播错误:
- 使用梯度下降(gradient descent),训练参数: