卷积神经网络的参数


误差方向传播法师为了应对偏导数计算量巨大而提出。但是梯度下降法仍然是基础。

一、卷积神经网络所需要的参数

卷积层的过滤器示例:
在这里插入图片描述
卷积层的统一偏置: b F 1 b^{F1}_{} bF1
输出层权重: w 1 − 11 O 1 w_{1-11}^{O1} w111O1
输出层偏置: b 1 O 1 b_{1}^{O1} b1O1
梯度下降法的基本公式: ( Δ w 11 F 1 , ⋯   , Δ w 1 − 11 O 1 , ⋯   , Δ b 1 2 , ⋯   ) =    − η ( ∂ C T ∂ w 11 F 1 , ⋯   , ∂ C T ∂ w 1 − 11 O 1 , ⋯   , ∂ C T ∂ b F 1 , ⋯   , ∂ C T ∂ b 1 O , ⋯   ) \left( \varDelta w_{11}^{F1},\cdots ,\varDelta w_{1-11}^{O1},\cdots ,\varDelta b_{1}^{2}, \cdots \right) =\,\,-\eta \left( \frac{\partial C_T}{\partial w_{11}^{F1}},\cdots ,\frac{\partial C_T}{\partial w_{1-11}^{O1}},\cdots ,\frac{\partial C_T}{\partial b^{F1}},\cdots ,\frac{\partial C_T}{\partial b_{1}^{O}},\cdots \right) (Δw11F1,,Δw111O1,,Δb12,)=η(w11F1CT,,w111O1CT,,bF1CT,,b1OCT,)

二、用神经单元误差 δ j l \delta _{j}^{l} δjl来表示各参数梯度分量

1、输出层的误差
∂ C ∂ w k − i j O n = δ i j O a i j P k , ∂ C ∂ b n O    =    δ n O \frac{\partial C}{\partial w_{k-ij}^{O_n}}=\delta _{ij}^{O}a_{ij}^{Pk}, \frac{\partial C}{\partial b_{n}^{O}}\,\,=\,\,\delta _{n}^{O} wkijOnC=δijOaijPk,bnOC=δnO

其中n为输出层的神经单元标号,k为池化层的子层编号,i、j为过滤器的行、列编号。第一个:表示输出层第n个神经元的第k层池化层的i-j输出神经元的权重的神经单元误差。第二个:第n个神经元的偏置的神经单元误差
2、卷积层的误差
A、卷积层过滤器权重
∂ C ∂ w i j F k    =    δ 11 F k x i j +    δ 12 F k x i j + 1 + ⋯ +    δ 44 F k x i + 3 j + 3 \frac{\partial C}{\partial w_{ij}^{F_k}}\,\,=\,\,\delta _{11}^{F_k}x_{ij}+\,\,\delta _{12}^{F_k}x_{ij+1}+\cdots +\,\,\delta _{44}^{F_k}x_{i+3j+3} wijFkC=δ11Fkxij+δ12Fkxij+1++δ44Fkxi+3j+3
这是像素数为6x6、过滤器为3x3的关系式。其他情况下,需要根据实际情况进行相应的改变。表示第k层卷积层的第i-j个神经单元误差。
B、卷积层统一的偏置权重
∂ C ∂ b F k =    δ 11 F + δ 12 F k + ⋯ + δ 33 F k + ⋯ + δ 44 F k \frac{\partial C}{\partial b_{}^{F_k}}=\,\,\delta _{11}^{F}+\delta _{12}^{F_k}+\cdots +\delta _{33}^{F_k}+\cdots +\delta _{44}^{F_k} bFkC=δ11F+δ12Fk++δ33Fk++δ44Fk

每一个卷积层只有一个统一的偏置。表示第k层过滤层得到的卷积层的偏置。

三、如何计算输出层的 δ j l \delta _{j}^{l} δjl

输出层激活函数为a(z),n为该层的神经单元编号。
KaTeX parse error: Expected group after '^' at position 56: …O}-t_n\text{)}a^̲'\left( z_{n}^{…
表示输出层第n个神经元的神经单元误差。

  • 3
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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
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