前些开始准备找实习找工作了,复习机器学习算法的时候发现BP算法又忘了,这次写博客记录一下,由于我矩阵知识不是很好,所以这篇文章没有以矩阵运算的方式来讲解。本文表面是原创,实际上参考了很多很多文章
符号与神经网络结构说明
L L L : 当前神经网络的总层数
n l n^{l} nl : 第 l l l层神经元拥有的神经元个数
α i l \alpha^{l}_{i} αil : 第 l l l层神经网络中的第 i i i个神经元的输入
β i l \beta^{l}_{i} βil : 第 l l l层神经网络中的第 i i i个神经元的输出
w i j l w^{l}_{ij} wijl : 第 l l l层神经网络中的第 i i i个神经元的到第 l + 1 l+1 l+1层神经网络中的第 j j j个神经元的权重
b j l b^{l}_{j} bjl : 第 l l l层神经网络中到第 l + 1 l+1 l+1层神经网络中第 j j j个神经元的的偏置项(想不出来叫啥了)
E E E : 神经网络的总损失
f f f : 激活函数
M M M : 总样本数
x i j x_{ij} xij : 第 i i i个样本的第 j j j个属性值(特征值,whatever)
y i j y_{ij} yij : 第 i i i个样本的第 j j j个输出的真实值
y ^ i j \hat{y}_{ij} y^ij : 神经网络对于第 i i i个样本在第 j j j个输出的预测值,也就是 β j L \beta^{L}_{j} βjL
一些准备知识
神经网络内部的运算
- 神经元的输入与输出的关系: β i l = f ( α i l ) \beta^{l}_{i}=f(\alpha^{l}_{i}) βil=f(αil)
- 第 l l l层神经元与第 l + 1 l+1 l+1层神经元之间的关系: α j l + 1 = ∑ k = 1 n l w k j l β k l + b j l \alpha^{l+1}_{j}=\sum_{k=1}^{n^{l}}w^{l}_{kj}\beta^{l}_{k}+b^{l}_{j} αjl+1=∑k=1nlwkjlβkl+bjl
- 常用的均方损失: E = ∑ m = 1 M 1 2 ∑ k n L ( y m k − y ^ m k ) 2 E=\sum_{m=1}^{M}\frac{1}{2}\sum_{k}^{n^L}(y_{mk}-\hat{y}_{mk})^2 E=∑m=1M21∑knL(ymk−y^mk)2
求导的链式法则
- 如果 y = g ( x ) , z = h ( y ) y=g(x),z=h(y) y=g(x),z=h(y),那么有 ∂ z ∂ x = ∂ z ∂ y ∂ y ∂ x \frac{\partial z}{\partial x}=\frac{\partial z}{\partial y}\frac{\partial y}{\partial x} ∂x∂z=∂y∂z∂x∂y
- 如果 y 1 = g ( x ) , y 2 = h ( x ) , z = k ( y 1 , y 2 ) y_1=g(x),y_2=h(x),z=k(y_1,y_2) y1=g(x),y2=h(x),z=k(y1,y2),那么有 ∂ z ∂ x = ∂ z ∂ y 1 ∂ y 1 ∂ x + ∂ z ∂ y 2 ∂ y 2 ∂ x \frac{\partial z}{\partial x}=\frac{\partial z}{\partial y_1}\frac{\partial y_1}{\partial x}+\frac{\partial z}{\partial y_2}\frac{\partial y_2}{\partial x} ∂x∂z=∂y1∂z∂x∂y1+∂y2