神经网络反向传播的精确数学证明 Back Propagation

为什么要使用Back Propagation？ 

 

上模型，直接走到 Forward Propagation 的部分：
j 表示当前层的神经元数量， k 表示上一层神经元的数量，
大括号是激活函数，

 

下一步，我们要训练神经网络，
对每个神经元对参数w、b进行微调，让预测结果更接近真实值，
怎么对w和b进行微调？

 

如果是简单的线性模型，

先找到cost function, 根据cost相对于权重W的导数，
然后让W向导数相反的方向，乘以某个学习率，每次改变一点点， 

线性模型:

  ,

 

可问题是，我们的神经元这么多，
具体到某一个w要怎么调整就成了问题，
求微分也不知道如何下手，

 

如果我们能知道 总误差cost 相对于某个具体的w的的变化率(微分)，
那么我们就知道该如何微调了, 

 

                            
 是最后结果的误差，是某个神经元的权重

 

变化率(微分)越大，说明这个w(jk)对cost的影响越大，
我们只要让这个微分降到接近0， 就说明它对总体误差已经几乎没有影响了，
换句话说就是，
这个权重w已经调整到位了，它造成的误差很小了

 

如何求得这个微分呢？
这就是Back Propagation能做到事了

 ---------------------------

现在开始说Back Propagation

（很多解释都要引入概念 Delta，这里不使用）

 

上一部分说到总误差cost 相对于某个具体的w的的变化率(微分)，
直接求是求不出来的，中间有很多层，让我们一层一层的剥离开来，

最核心关系就是,   是未激活的神经元，l是层数，j是第j个神经元,

我们可以看出，与 的关系就是靠 w 连接的

 

有什么启示呢，
启示就是，我们可以从最后那个神经元出发， 求出C相对于网络中任意层次的 z 的微分：
 是可以求出来的，因为,                  (1)
然后 任意相邻两层的z的微分, 根据上面的'核心关系'式，也可以求出来，  （2）

，把(1)和(2)两个关系式相乘，你就得到了倒数第二层的z的微分,
根据这个原理，你可以求出倒数第三层，倒数第四层......任意一层的z的微分，

 

在我们已经能求得 cost相对与任意一个神经元z的微分 

再然后，最后一个关系式，
, 明显很容易求出, 因为

 

所以现在我们就能求出一开始我们想要的 

 

//为了偷懒，后面我省略了下标jk

转载于:https://www.cnblogs.com/yummy-roast-duck/p/7127649.html