0_2_1-卷积层的反向传播-单通道、无padding、步长1

最新推荐文章于 2023-08-11 12:04:56 发布

yizt

最新推荐文章于 2023-08-11 12:04:56 发布

阅读量2.8k

点赞数 3

分类专栏： numpy构建神经网络文章标签： numpy nueron-network cnn 神经网络反向传播

本文链接：https://blog.csdn.net/csuyzt/article/details/81952377

版权

numpy构建神经网络专栏收录该内容

13 篇文章 13 订阅

订阅专栏

numpy实现神经网络系列

工程地址：https://github.com/yizt/numpy_neuron_network

基础知识

0_1-全连接层、损失函数的反向传播

0_2_1-卷积层的反向传播-单通道、无padding、步长1

0_2_2-卷积层的反向传播-多通道、无padding、步长1

0_2_3-卷积层的反向传播-多通道、无padding、步长不为1

0_2_4-卷积层的反向传播-多通道、有padding、步长不为1

0_2_5-池化层的反向传播-MaxPooling、AveragePooling、GlobalAveragePooling、GlobalMaxPooling

0_3-激活函数的反向传播-ReLU、LeakyReLU、PReLU、ELU、SELU

0_4-优化方法-SGD、AdaGrad、RMSProp、Adadelta、Adam

DNN练习

1_1_1-全连接神经网络做线性回归

1_1_2-全连接神经网络做mnist手写数字识别

CNN练习

2_1-numpy卷积层实现

2_2-numpy池化层实现

2_3-numpy-cnn-mnist手写数字识别

本文目录

本文下载地址：0_2_1-卷积层的反向传播-单通道、无padding、步长1

依赖知识

a) 了解神经网络的基础知识,熟悉卷积网络

b) 熟悉导数的链式法则及常见函数的导数

c) 熟悉常见的优化方法，梯度下降，随机梯度下降等

d) 熟悉矩阵和向量的乘加运算

e) 熟悉全连接层、损失函数的反向传播

卷积定义

对于输入图像 $I$ , 使用维度为 $k_1 \times k_2$ 的滤波器 $K$ ,卷积的定义如下：

\begin{aligned} (1) & (I * K)_{i j} & = \sum_{m = 0}^{k_{1} - 1} \sum_{n = 0}^{k_{2} - 1} I (i + m, j + n) K (m, n) \end{aligned}

$\begin{align} (I * K)_{ij} &= \sum_{m = 0}^{k_1 - 1} \sum_{n = 0}^{k_2 - 1} I(i+m, j+n)K(m,n) \tag {1} \end{align}$

注意：这里的卷积跟数学中定义的卷积不是完全一致的，数学中这叫协相关; 卷积和协相关的区别详见deep learning 第九章282页。神经网络中一般都把公式(1)的定义当做卷积。

CNN卷积网络

卷积网络包含一系列的卷积层，每层由输入特征图 $I$ ，一堆滤波器 $K$ 和偏置 $b$ . 假设输入的高度、宽度、通道数分别为 $H,W,C$ ; 则 $I \in \Bbb R^{H \times W \times C}$ , 输出 $D$ 个通道的卷积层，则有卷积核 $K \in \Bbb R^{k_1 \times k_2 \times C \times D}$ ,偏置 $b \in \Bbb R^D$ ,每个输出通道一个偏置。则其中一个输出通道的可以如下表示：

(I * K) i j = \sum m = 0 k 1 - 1 \sum n = 0 k 2 - 1 \sum c = 1 C K m, n, c \cdot I i + m, j + n, c + b (2)

$\begin{align} (I \ast K)_{ij} &= \sum_{m = 0}^{k_1 - 1} \sum_{n = 0}^{k_2 - 1} \sum_{c = 1}^{C} K_{m,n,c} \cdot I_{i+m, j+n, c} + b \tag {2} \end{align}$
有心读者肯定会疑惑公式(2),没有体现padding和卷积核的步长。由于卷积相对复杂，没有办法一次性说明的非常清楚，计划分几次来逐步说明；本文接下来将推导最简单的卷积反向传播公式。假定输入输出通道都为1，即

C=D=1 C = D = 1 $C=D=1$ , 且卷积核的padding=0,步长为1。

约定说明

a) $l$ 代表网络的第 $l$ 层, $z^l$ 代表第 $l$ 层卷积， $z_{i,j}^l$ 代表第 $l$ 层卷积的 $(i,j)$ 位置的值; $z^l$ 的高度和宽度分别为 $H^l,\hat W^l$ ( $\color{red}{避免与权重相同}$ )

b) $W^{l-1},b^{l-1}$ 代表连接第 $l-1$ 层和第 $l$ 层的卷积核权重和偏置; 卷积核的维度为 $(k_1^{l-1},k_2^{l-1})$ 。

c) 记损失函数L关于第 $l$ 层卷积的输出 $z^l$ 的偏导为 $\delta^l = \frac {\partial L} {\partial z^l} \ \ \ (3)$

根据以上约定第 $l$ 层卷积输出为:

\begin{aligned} (4) & z_{i, j}^{l} = \sum_{m = 0}^{k_{1}^{l - 1} - 1} \sum_{n = 0}^{k_{2}^{l - 1} - 1} W_{m, n}^{l - 1} z_{i + m, j + n}^{l - 1} + b^{l - 1} & i \in [0, H^{l} - 1], j \in [0, {\hat{W}}^{l} - 1] \end{aligned}

$\begin{align} &z^l_{i,j} = \sum_{m=0}^{k_1^{l-1}-1} \sum_{n=0}^{k_2^{l-1}-1} W_{m,n}^{l-1} z_{i+m,j+n}^{l-1} + b^{l-1} & i \in [0,H^l-1], j\in [0,\hat W^l-1]\tag 4 \end{align}$
其中：

Hl=Hl−1−kl−11+1; W^l=W^l−1−kl−12+1 H l = H l − 1 − k 1 l − 1 + 1 ; W ^ l = W ^ l − 1 − k 2 l − 1 + 1 $H^l = H^{l-1} - k_1^{l-1} + 1;\ \ \ \ \ \hat W^l = \hat W^{l-1} - k_2^{l-1} + 1$

误差反向传播

权重梯度

a) 首先来看损失函数 $L$ 关于第 $l-1$ 层权重 $W^{l-1}$ 和偏置 $b^{l-1}$ 的梯度

\partial L \partial W l - 1 m , n = \sum i \sum j \partial L \partial z l i , j * \partial z l i , j \partial W l - 1 m , n = \sum i \sum j δ l i, j * \partial ( \sum k l - 1 1 m = 0 \sum k l - 1 2 n = 0 W l - 1 m , n z l - 1 i + m , j + n + b l - 1 ) \partial W l - 1 m , n = \sum i \sum j δ l i, j * z l - 1 i + m, j + n / / l 层 的 每 个 神 经 元 都 有 梯 度 传 给 权 重 W l - 1 m, n (1) (2) (5)

$\begin{align} &\frac {\partial L} {\partial W_{m,n}^{l-1}} = \sum_i \sum_j \frac {\partial L} {\partial z^l_{i,j}} * \frac {\partial z^l{i,j}} {\partial W_{m,n}^{l-1}} &//l层的每个神经元都有梯度传给权重W^{l-1}_{m,n}\\ &=\sum_i \sum_j \delta^l_{i,j} * \frac {\partial ( \sum_{m=0}^{k_1^{l-1}} \sum_{n=0}^{k_2^{l-1}} W_{m,n}^{l-1} z_{i+m,j+n}^{l-1} + b^{l-1})} {\partial W^{l-1}_{m,n}} \\ &=\sum_i \sum_j \delta^l_{i,j} * z^{l-1}_{i+m,j+n} \tag 5 \end{align} \\$

对比公式(5)和公式(4),可以发现,损失函数 $L$ 关于第 $l-1$ 层权重 $W^{l-1}$ 的梯度就是以 $\delta^l$ 为卷积核在 $z^{l-1}$ 上做卷积的结果(这里没有偏置项)。多么简介对称呀!!!。

b) 同理可得

\partial L \partial b l - 1 = \sum i \sum j δ l i, j (6)

$\begin{align} \frac {\partial L} {\partial b^{l-1}} =\sum_i \sum_j \delta^l_{i,j} \tag 6 \end{align}$

l-1层梯度

然后再来看看损失函数关于第 $l-1$ 层输出的梯度

δ l - 1 i', j' = \partial L \partial z l - 1 i ' , j ' = \sum i \sum j \partial L \partial z l i , j * \partial z l i , j \partial z l - 1 i ' , j ' = \sum i \sum j δ l i, j * \partial ( \sum k l - 1 1 m = 0 \sum k l - 1 2 n = 0 W l - 1 m , n z l - 1 i + m , j + n + b l - 1 ) \partial z l - 1 i ' , j ' = \sum i \sum j δ l i, j W l - 1 m, n = \sum m \sum n δ l i' - m, j' - n W l - 1 m, n (7) = \sum i \sum j δ l i, j W l - 1 i' - i, j' - j (8) / / 当 i = i' - m, j = j' - n 时 有 梯 度 W l - 1 m, n / / 此 时 m = i' - i, n = j' - j / / 此 时 i = i' - m \in [0, H l - 1], j = j' - n \in [0, W^l - 1] / / 需 要 满 足 i' - i \in [0, k l - 1 1 - 1], j' - j \in [0, k l - 1 2 - 1] (3) (4) (5) (6) (7)

$\begin{align} &\delta^{l-1}_{i^{\prime},j^{\prime}}=\frac {\partial L} {\partial z_{i^{\prime},j^{\prime}}^{l-1}} = \sum_i \sum_j \frac {\partial L} {\partial z^l_{i,j}} * \frac {\partial z^l_{i,j}} {\partial z_{i^{\prime},j^{\prime}}^{l-1}} \\ &=\sum_i \sum_j \delta^l_{i,j} * \frac {\partial ( \sum_{m=0}^{k_1^{l-1}} \sum_{n=0}^{k_2^{l-1}} W_{m,n}^{l-1} z_{i+m,j+n}^{l-1} + b^{l-1})} {\partial z_{i^{\prime},j^{\prime}}^{l-1}} &//当i=i^{\prime}-m, j=j^{\prime}-n时有梯度W^{l-1}_{m,n}\\ &=\sum_i \sum_j \delta^l_{i,j} W^{l-1}_{m,n} &//此时m=i^{\prime}-i ,n=j^{\prime}-j\\ &=\sum_m \sum_n \delta^l_{i^{\prime}-m,j^{\prime}-n}W^{l-1}_{m,n} \ \ \ \ \ \ \ (7) &//此时i=i^{\prime}-m \in[0,H^l-1],j=j^{\prime}-n \in [0,\hat W^l-1] \\ &=\sum_i \sum_j \delta^l_{i,j} W^{l-1}_{i^{\prime}-i,j^{\prime}-j} \ \ \ \ \ \ \ (8) &//需要满足i^{\prime}-i \in [0,k_1^{l-1}-1],j^{\prime}-j \in [0,k_2^{l-1}-1] \end{align}$

约束条件: $i^{\prime}-i \in [0,k_1^{l-1}-1],j^{\prime}-j \in [0,k_2^{l-1}-1]$

变换一下就是: $i \in [i^{\prime}+1-k_1^{l-1},i^{\prime}],j \in [j^{\prime}+1-k_2^{l-1},j^{\prime}] \tag 9$

同时 $i,j$ 需要满足公式(4)的约束条件:

i \in [0, H l - 1], j \in [0, W^l - 1] (10)

$i\in [0,H^l-1], j\in [0,\hat W^l-1] \tag {10}$
因此有

{i∈[max(0,i′+1−kl−11),min(Hl−1,i′)]j∈[max(0,j′+1−kl−12),min(W^l−1,j′)](11) (11) { i ∈ [ max ( 0 , i ′ + 1 − k 1 l − 1 ) , min ( H l − 1 , i ′ ) ] j ∈ [ max ( 0 , j ′ + 1 − k 2 l − 1 ) , min ( W ^ l − 1 , j ′ ) ]

$\begin{cases} i \in [\max(0,i^{\prime}+1-k_1^{l-1}),\min(H^l-1,i^{\prime})] \\ j \in [\max(0,j^{\prime}+1-k_2^{l-1}),\min(\hat W^l-1,j^{\prime})] \tag {11} \end{cases}$
下面来看一个例子，对于l-1层

5×5 5 × 5 $5 \times 5$ 的卷积层，卷积核

3×3 3 × 3 $3 \times 3$ , 则输出的l层卷积大小为5-3-1=3，也就是

3×3 3 × 3 $3 \times 3$ , 此时有：

{i \in [max (0, i' - 2), min (2, i')] j \in [max (0, j' - 2, min (2, j')]

$\begin{cases} i \in [\max(0,i^{\prime}-2),\min(2,i^{\prime})] \\ j \in [\max(0,j^{\prime}-2,\min(2,j^{\prime})] \end{cases}$
根据公式(7)及其约束条件有：

δ l - 1 0, 0 = δ l 0, 0 W l - 1 0, 0 δ l - 1 0, 1 = δ l 0, 1 W l - 1 0, 0 + δ l 0, 0 W l - 1 0, 1 δ l - 1 0, 2 = δ l 0, 2 W l - 1 0, 0 + δ l 0, 1 W l - 1 0, 1 + δ l 0, 0 W l - 1 0, 2 δ l - 1 1, 0 = δ l 1, 0 W l - 1 0, 0 + δ l 0, 0 W l - 1 1, 0 δ l - 1 1, 1 = δ l 1, 1 W l - 1 0, 0 + δ l 0, 1 W l - 1 1, 0 + δ l 1, 0 W l - 1 0, 1 + δ l 0, 0 W l - 1 1, 1 δ l - 1 1, 2 = \sum i \sum j δ l i, j W l - 1 i' - i, j' - j . . . . . . δ l - 1 2, 2 = \sum i \sum j δ l i, j W l - 1 i' - i, j' - j i \in [0, 0], j \in [0, 0] i \in [0, 0], j \in [0, 1] i \in [0, 0], j \in [0, 2] i \in [0, 1], j \in [0, 0] i \in [0, 1], j \in [0, 1] i \in [0, 1], j \in [0, 2] i \in [0, 2], j \in [0, 2] (8) (9) (10) (11) (12) (13) (14) (15)

$\begin{align} &\delta^{l-1}_{0,0} =\delta^{l}_{0,0}W^{l-1}_{0,0} &i \in [0,0],j \in [0,0] \\ &\delta^{l-1}_{0,1} =\delta^{l}_{0,1}W^{l-1}_{0,0} + \delta^{l}_{0,0}W^{l-1}_{0,1} &i \in [0,0],j \in [0,1] \\ &\delta^{l-1}_{0,2} =\delta^{l}_{0,2}W^{l-1}_{0,0} + \delta^{l}_{0,1}W^{l-1}_{0,1} +\delta^{l}_{0,0}W^{l-1}_{0,2} &i \in [0,0],j \in [0,2] \\ &\delta^{l-1}_{1,0} =\delta^{l}_{1,0}W^{l-1}_{0,0} + \delta^{l}_{0,0}W^{l-1}_{1,0} &i \in [0,1],j \in [0,0] \\ &\delta^{l-1}_{1,1} =\delta^{l}_{1,1}W^{l-1}_{0,0} + \delta^{l}_{0,1}W^{l-1}_{1,0} +\delta^{l}_{1,0}W^{l-1}_{0,1} + \delta^{l}_{0,0}W^{l-1}_{1,1} &i \in [0,1],j \in [0,1] \\ &\delta^{l-1}_{1,2} = \sum_i \sum_j \delta^l_{i,j} W^{l-1}_{i^{\prime}-i,j^{\prime}-j} & i \in [0,1],j \in [0,2] \\ &... ... \\ &\delta^{l-1}_{2,2} = \sum_i \sum_j \delta^l_{i,j} W^{l-1}_{i^{\prime}-i,j^{\prime}-j} & i \in [0,2],j \in [0,2] \\ \end{align}$

等价于以下的卷积

δ l - 1 = ⎛ ⎝ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ ⎜ 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, δ l 0, 0, δ l 1, 0, δ l 2, 0, 0, 0, 0, 0, δ l 0, 1, δ l 1, 1, δ l 2, 1, 0, 0, 0, 0, δ l 0, 2, δ l 1, 2, δ l 2, 2, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0000000 (16) (17) (18) (19) (20) (21) (22) ⎞ ⎠ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ ⎟ * ⎛ ⎝ ⎜ ⎜ ⎜ W l - 1 2, 2, W l - 1 1, 2, W l - 1 0, 2, W l - 1 2, 1, W l - 1 11, W l - 1 01, W l - 1 2, 0 W l - 1 1, 0 W l - 1 0, 0 ⎞ ⎠ ⎟ ⎟ ⎟

$\delta^{l-1}=\left( \begin{align} &0, &&0,&&0,&&0,&&0,&&0,&&0 \\ &0, &&0,&&0,&&0,&&0,&&0,&&0 \\ &0,&&0,&&\delta^{l}_{0,0},&&\delta^{l}_{0,1},&&\delta^{l}_{0,2},&&0,&&0\\ &0,&&0,&&\delta^{l}_{1,0},&&\delta^{l}_{1,1},&&\delta^{l}_{1,2},&&0,&&0\\ &0,&&0,&&\delta^{l}_{2,0},&&\delta^{l}_{2,1},&&\delta^{l}_{2,2},&&0,&&0\\ &0,&&0, &&0,&&0,&&0,&&0,&&0 \\ &0,&&0, &&0,&&0,&&0,&&0,&&0 \end{align} \right) * \left( \begin{array} aW^{l-1}_{2,2},& W^{l-1}_{2,1},& W^{l-1}_{2,0}\\ W^{l-1}_{1,2},& W^{l-1}_{11},& W^{l-1}_{1,0}\\ W^{l-1}_{0,2},& W^{l-1}_{01},& W^{l-1}_{0,0}\\ \end{array} \right)$
即以

Wl−1 W l − 1 $W^{l-1}$ 翻转

180∘ 180 ∘ $180^\circ$ 的矩阵为卷积核在

δl δ l $\delta^l$ 加上padding=2的矩阵上做卷积的结果。

a) 设 $rot_{180^\circ}W^{l-1}$ 为以 $W^{l-1}$ 翻转 $180^\circ$ 的矩阵后的矩阵

b) 设 $p\delta^l$ 为 $\delta^l$ 加上padding高宽为卷积核高宽减1即 $(k_1^{l-1}-1,k_2^{l-1}-1)$ 后的梯度矩阵，可知其高度为 $H^l+2k_1^{l-1} -2 = H^{l-1} +k_1^{l-1} -1$ ;相应的宽度为 $\hat W^{l-1} +k_2^{l-1} -1$

c) 卷积核 $rot_{180^\circ}W^{l-1}$ 的大小为 $(k_1^{l-1},k_1^{l-1})$ ,在上做完卷积后的长宽刚好与 $\delta^{l-1}$ 的高度和宽度一样，即 $(H^{l-1},\hat W^{l-1})$ 。

d) $p\delta^l$ 和 $\delta^l$ 的关系如下：

pδli,j={δli−kl−11+1,j−kl−12+10i∈[kl−11−1,Hl+kl−11−2]且j∈[kl−12−1,W^l+kl−12−2]i,j其它情况(12) (12) p δ i , j l = { δ i − k 1 l − 1 + 1 , j − k 2 l − 1 + 1 l i ∈ [ k 1 l − 1 − 1 , H l + k 1 l − 1 − 2 ] 且 j ∈ [ k 2 l − 1 − 1 , W ^ l + k 2 l − 1 − 2 ] 0 i , j 其 它 情 况

$p\delta^l_{i,j}=\begin{cases} \delta^l_{i-k_1^{l-1}+1,j-k_2^{l-1}+1} & i \in[k_1^{l-1}-1,H^l+k_1^{l-1}-2] 且j \in [k_2^{l-1}-1,\hat W^l+k_2^{l-1}-2] \\ 0 & i,j其它情况 \tag {12} \end{cases}$

接下来将证明这个卷积就是 $\delta^{l-1}$

根据公式(4) 卷积后的 $(i,j)$ 位置的值为：

∑m=0kl−11−1∑n=0kl−12−1rot180∘Wl−1m,npδli+m,j+n=∑m=0kl−11−1∑n=0kl−12−1Wkl−11−1−m,kl−12−1−n pδli+m,j+n      //将翻转180∘改回来=∑m′=0kl−11−1∑n′=0kl−12−1Wm′,n′ pδli+kl−11−1−m′,j+kl−12−1−n′     //m′+m=kl−11−1,n′+n=kl−12−1=∑m=0kl−11−1∑n=0kl−12−1Wm,n pδli+kl−11−1−m,j+kl−12−1−n     //将下标改回来=∑m=0kl−11−1∑n=0kl−12−1Wm,n {δli−m,j−n0//i−m∈[0,Hl−1]且j−n∈[0,W^l−1]//i−m∉[0,Hl−1]或j−n∉[0,W^l−1](23)(24)(25)(26)(15) (23) ∑ m = 0 k 1 l − 1 − 1 ∑ n = 0 k 2 l − 1 − 1 r o t 180 ∘ W m , n l − 1 p δ i + m , j + n l (24) = ∑ m = 0 k 1 l − 1 − 1 ∑ n = 0 k 2 l − 1 − 1 W k 1 l − 1 − 1 − m , k 2 l − 1 − 1 − n   p δ i + m , j + n l             / / 将 翻 转 180 ∘ 改 回 来 (25) = ∑ m ′ = 0 k 1 l − 1 − 1 ∑ n ′ = 0 k 2 l − 1 − 1 W m ′ , n ′   p δ i + k 1 l − 1 − 1 − m ′ , j + k 2 l − 1 − 1 − n ′ l           / / m ′ + m = k 1 l − 1 − 1 , n ′ + n = k 2 l − 1 − 1 (26) = ∑ m = 0 k 1 l − 1 − 1 ∑ n = 0 k 2 l − 1 − 1 W m , n   p δ i + k 1 l − 1 − 1 − m , j + k 2 l − 1 − 1 − n l           / / 将 下 标 改 回 来 (15) = ∑ m = 0 k 1 l − 1 − 1 ∑ n = 0 k 2 l − 1 − 1 W m , n   { δ i − m , j − n l / / i − m ∈ [ 0 , H l − 1 ] 且 j − n ∈ [ 0 , W ^ l − 1 ] 0 / / i − m ∉ [ 0 , H l − 1 ] 或 j − n ∉ [ 0 , W ^ l − 1 ]

$\begin{align} &\sum_{m=0}^{k_1^{l-1}-1} \sum_{n=0}^{k_2^{l-1}-1}rot_{180^\circ} W^{l-1}_{m,n}p\delta^{l}_{i+m,j+n} \\ &=\sum_{m=0}^{k_1^{l-1}-1} \sum_{n=0}^{k_2^{l-1}-1}W_{k^{l-1}_1-1-m,k_2^{l-1}-1-n}\ p\delta^{l}_{i+m,j+n} \ \ \ \ \ \ //将翻转180^\circ改回来 \\ &=\sum_{m^{\prime}=0}^{k_1^{l-1}-1} \sum_{n^{\prime}=0}^{k_2^{l-1}-1}W_{m^{\prime},n^{\prime}}\ p\delta^{l}_{i+k^{l-1}_1-1-m^{\prime},j+k_2^{l-1}-1-n^{\prime}} \ \ \ \ \ //m^{\prime} +m =k_1^{l-1} -1,n^{\prime}+n=k_2^{l-1}-1 \\ &=\sum_{m=0}^{k_1^{l-1}-1} \sum_{n=0}^{k_2^{l-1}-1}W_{m,n}\ p\delta^{l}_{i+k^{l-1}_1-1-m,j+k_2^{l-1}-1-n} \ \ \ \ \ //将下标改回来 \\ &= \sum_{m=0}^{k_1^{l-1}-1} \sum_{n=0}^{k_2^{l-1}-1}W_{m,n}\ \begin{cases} \delta^{l}_{i-m,j-n} &//i-m \in [0,H^l-1] 且j-n \in[0,\hat W^l-1] \\ 0 &//i-m \notin [0,H^l-1] 或j-n \notin[0,\hat W^l-1] \tag {15} \end{cases} \end{align}$
可以看出公式(15)与公式(7)完全一致。

结论

a) 卷积前向计算公式如下:

z l i, j = \sum m = 0 k l - 1 1 - 1 \sum n = 0 k l - 1 2 - 1 W l - 1 m, n z l - 1 i + m, j + n + b l - 1 i \in [0, H l - 1], j \in [0, W^l - 1] (4)

$\begin{align} &z^l_{i,j} = \sum_{m=0}^{k_1^{l-1}-1} \sum_{n=0}^{k_2^{l-1}-1} W_{m,n}^{l-1} z_{i+m,j+n}^{l-1} + b^{l-1} & i \in [0,H^l-1], j\in [0,\hat W^l-1]\tag 4 \end{align}$
b) 损失函数

L L $L$ 关于第

l - 1

$l-1$ 层权重

Wl−1 W l − 1 $W^{l-1}$ 的梯度，是以损失函数

L L $L$ 关于第

l

$l$ 层梯度

δl δ l $\delta^l$ 为卷积核在

zl−1 z l − 1 $z^{l-1}$ 上做卷积的结果

\partial L \partial W l - 1 m , n = \sum i \sum j δ l i, j * z l - 1 i + m, j + n (5)

$\frac {\partial L} {\partial W_{m,n}^{l-1}} =\sum_i \sum_j \delta^l_{i,j} * z^{l-1}_{i+m,j+n} \tag 5$
c) 损失函数

L L $L$ 关于第

l - 1

$l-1$ 层偏置

bl−1 b l − 1 $b^{l-1}$ 的梯度，是

δl δ l $\delta^l$ 元素之和

\partial L \partial b l - 1 = \sum i \sum j δ l i, j (6)

$\frac {\partial L} {\partial b^{l-1}} =\sum_i \sum_j \delta^l_{i,j} \tag 6$

d) 以损失函数 $L$ 关于第 $l-1$ 层梯度 $\delta^{l-1}$ , 是以第 $l-1$ 层权重的翻转 $rot_{180^\circ} W^{l-1}$ 为卷积核在 $\delta^l$ 加上padding高宽为 $(k_1^{l-1}-1,k_2^{l-1}-1)$ 后的梯度矩阵 $p\delta^{l}$ 上卷积

δ l - 1 = \sum m = 0 k l - 1 1 - 1 \sum n = 0 k l - 1 2 - 1 r o t 180 \circ W l - 1 m, n p δ l i + m, j + n (16)

$\delta^{l-1}=\sum_{m=0}^{k_1^{l-1}-1} \sum_{n=0}^{k_2^{l-1}-1}rot_{180^\circ} W^{l-1}_{m,n}p\delta^{l}_{i+m,j+n} \tag {16}$

参考

yizt

关注

3
点赞
踩
3

收藏

觉得还不错? 一键收藏
3
评论
0_2_1-卷积层的反向传播-单通道、无padding、步长1

依赖知识a) 了解神经网络的基础知识,熟悉卷积网络b) 熟悉导数的链式法则及常见函数的导数c) 熟悉常见的优化方法，梯度下降，随机梯度下降等d) 熟悉矩阵和向量的乘加运算e) 熟悉全连接层、损失函数的反向传播卷积定义对于输入图像III , 使用维度为k1×k2k1×k2k_1 \times k_2 的滤波器KKK ,卷积的定...
复制链接

扫一扫

专栏目录