深度学习——全连接层（Fully connected dence layers）原理解析

深度学习——全连接层（Fully connected dence layers）原理解析

一、简介

• 全连接层有多个神经元，是一个列向量(单个样本)。在计算机视觉领域正常用于深度神经网络的后面几层，用于图像分类任务。
  
• 全连接层算法包括两部分：前向传播(Forward)和反向传播(Backward)

二、 算法解析

前向传播(Forward)

• 上图主要有5个变量，$x,a,W,b,\sigma$，上图是单层的全连接层，只有一个神经元。
• $x$： 代表一个样本输入的特征的向量，上图$x$是第$L^{[0]}$层输入，维度为(12287,1)
• $w$: 代表第1层全连接层的权重,维度为（12287，1）
• $b$: 代表偏置，维度为（1，1）
• $z$: 代表神经元的线性计算 $z=W^{T}x+b$，维度（1，1）
• $\sigma$: $a=\sigma (z)$ 激活函数
• $L$: 交叉熵
• $J$: 损失函数
  图中公式(1)(2)(3)(4)就是前向传播过程，Loss Function 为交叉熵。

反向传播

• 这里也讲解单层的全连接层的反传。反向传播算法是上世纪Hinton发表在nature上一对深度学习影响巨大的算法。读者需要具备点微积分的知识，主要用到链式法则（chain rule）。
• 假设输入数据有m个样本，激活函数为$sigmoid\sigma (x)=\frac{1}{1+e^{-x}},\sigma (x{)}^{\prime }=\sigma (x)(1-\sigma (x))$,算法流程
  ——————————————————————————————————
  $J=0,dW=0,db=0,dz=0$
  $foriinm:$
  \quad // Forward coumpute
  $z_i=W^T{x}^i+b$
  $a_i=\sigma (z_i)$
  $J+=-(y_{i}log(a_i)+(1-y_i)log(1-a_i))$
  \quad // Backward
  $dA=\frac{y_i}{a_i}-\frac{1-y_i}{1-a_i}$
  $dZ=dA\ast \sigma (z{)}^{\prime }=a_i-y_i$
  $dW+=x_{i}dZ$
  $db+=dZ$
  $J=\frac{-1}{m}J,dW=\frac{1}{m}dW,db=\frac{1}{m}db$
  ——————————————————————————————————
• $dA=\frac{\partial J}{\partial a_i}$
• $dZ=\frac{\partial J}{\partial a_i}\frac{\partial a_i}{\partial z_i}$
• $dW=\frac{\partial J}{\partial z_i}\frac{\partial z_i}{\partial W}$
• $db=\frac{\partial J}{\partial a_i}\frac{\partial a_i}{\partial b}$
  在实际编程中需要注意变量的维度。
• 可以看得出上面算法有个for循环，所以可以用矩阵把它优化，变为下面公式
• $dZ=\frac{\partial J}{\partial A}\frac{\partial A}{\partial z}=A-Y$
• $dW=\frac{\partial J}{\partial z}\frac{\partial z}{\partial W}=\frac{1}{m}dZ{X}^T$
• $db=\frac{\partial J}{\partial a}\frac{\partial a}{\partial b}=\frac{1}{m}np.sum(dZ,axis=1,keepdims=True)$