上一周主要看了 Neural Networks and Deep Learning 网上在线课程的第二章的内容 和 斯坦福大学 《 机器学习 》的公开课,学习了BP( Back Propagation Algorithm, 反向传播算法) 。现在总结如下:
只要使用神经网络就会用到BP算法,反向传播算法可以用来学习神经网络的权值,仍然采用梯度下降算法,以最小化网络的实际输出与目标输出之间的平方误差为目标。BP算法的目标是在神经网络中可以求任意权值w 和 偏置b 的成本函数(cost function)C 的两个偏导数——C对w的偏导数 和 C对b的偏导数
首先定义几个符号:
图1 的定义
同样的,再定义 和 :
,
由此,可以得到激励函数a的计算公式:
公式简写如下:
令 ,则 。
在正式介绍BP算法之前,先介绍一种运算规则——Hadamard product(阿达马乘积)
定义 :
根据公式 (23)、(29)可知,the error 是和C对w的偏导数 和 C对b的偏导数 有关。
现在给出BP算法使用的四个基本公式:
将(BP1)公式改写为矩阵形式的公式:
关于两层之间的delt计算公式:
关于偏置b 的BP公式:
上述公式简记为:
关于权值w 的BP公式:
上述公式简记为:
可以用下图来形象地表示上述关系式
有关上述四个公式的证明,这里就不再给出,如果感兴趣可以点击本文开头提供的网上在线课程的链接进行查看,主要就是运用了高数中的链式求导法则进行相关证明。
BP算法
BP(反向传播)算法提供了一种计算成本函数(cost function)梯度的方法。算法主要流程如下:
BP算法的代码实现
class Network(object): ... def update_mini_batch( self , mini_batch, eta): nabla_b = [np.zeros(b.shape) for b in self .biases] nabla_w = [np.zeros(w.shape) for w in self .weights] for x, y in mini_batch: delta_nabla_b, delta_nabla_w = self .backprop(x, y) nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)] nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)] self .weights = [w-(eta/len(mini_batch))*nw for w, nw in zip( self .weights, nabla_w)] self .biases = [b-(eta/len(mini_batch))*nb for b, nb in zip( self .biases, nabla_b)]
反向传播算法的代码实现:
class Network(object): ... def backprop( self , x, y): nabla_b = [np.zeros(b.shape) for b in self .biases] nabla_w = [np.zeros(w.shape) for w in self .weights] activation = x activations = [x] zs = [] for b, w in zip( self .biases, self .weights): z = np.dot(w, activation)+b zs.append(z) activation = sigmoid(z) activations.append(activation) delta = self .cost_derivative(activations[- 1 ], y) * \ sigmoid_prime(zs[-1 ]) nabla_b[-1 ] = delta nabla_w[-1 ] = np.dot(delta, activations[- 2 ].transpose()) for l in xrange( 2 , self .num_layers): z = zs[-l] sp = sigmoid_prime(z) delta = np.dot(self .weights[-l+ 1 ].transpose(), delta) * sp nabla_b[-l] = delta nabla_w[-l] = np.dot(delta, activations[-l-1 ].transpose()) return (nabla_b, nabla_w) ... def cost_derivative( self , output_activations, y): return (output_activations-y) def sigmoid(z): return 1.0 /( 1.0 +np.exp(-z)) def sigmoid_prime(z): return sigmoid(z)*( 1 -sigmoid(z))