BP算法

sigmoid函数

神经网络激活函数是sigmoid函数。

定义为：

sigmoid函数是一个非线性函数，值域是(0,1)。函数图像如下图所示：

sigmoid导数：

可以看得出sigmoid导数计算很方便。

则

 

神经网络

神经网络其实就是按照一定规则连接起来的多个神经元。

神经网络实际上就是一个输入向量到输出向量的函数：

神经网络的矩阵表示

反向传播算法(Back Propagation)

我们可以说神经网络是一个模型，那么这些权值就是模型的参数，也就是模型要学习的东西。

然而，一个神经网络的连接方式、网络的层数、每层的节点数这些参数，则不是学习出来的，而是人为事先设置的。对于这些人为设置的参数，我们称之为超参数(Hyper-Parameters)。

推导

1、目标函数

• 

2、使用随机梯度下降法进行优化

3、以某一个节点的权值优化过程来举例

前一层的输入向量：

前一层和下一层之间的权值矩阵：

其中mxn，意味着下一层的神经元格式（即维度是m），上一层的输入维度是n。

其中：

输出层：

其中：

综合得到：

 

隐藏层权值训练

例如，对于节点4来说，它的直接下游节点是节点8、节点9。

节点 j 的加权输入只能通过影响节点 j 的所有下游节点再影响目标函数。

 

 

转载于:https://www.cnblogs.com/pacino12134/p/11097997.html