BP(反向传播)

    神经网络的反向传播算法，是基于SGD(梯度下降算法)的思想而来的，就是更新权重，一步步求解，所以也需要

损失函数的概念，利用误差求导的方法来改变权重，但是BP的效率在神经网络里面来看是比较高的。

以下内容转载自链接：https://blog.csdn.net/baozi__/article/details/78307479

计算过程

现在我们有这样一个神经网络： 


输入层有两个神经元i1和i2，隐藏层有两个神经元h1和h2，偏差都为b1，输出层有两个神经元o1和o2，偏差都为b2，权重为w 
神经元的输入经过激活函数转变为输出，即带权输入net经过激活函数转变为输出激活值out，如图所示： 

现在一步一步进行计算

前向传播

输入层 -> 隐藏层

1. 计算隐藏层神经元h1与h2的带权输入： 
   
   neth1=ω1∗i1+ω2∗i2+b1neth1=ω1∗i1+ω2∗i2+b1
   
   
   neth2=ω3∗i1+ω4∗i2+b1neth2=ω3∗i1+ω4∗i2+b1
2. 计算h1与h2的输出激活值（激活函数为sigmoid函数）： 
   

   sigmoid函数：  S(x)=11+e−xS(x)=11+e−x

outh1=11+e−neth1outh1=11+e−neth1

outh2=11+e−neth2outh2=11+e−neth2

隐藏层 -> 输出层

1. 计算输出层神经元o1与o2的带权输入： 
   
   neto1=ω5∗outh1+ω6∗outh2+b2neto1=ω5∗outh1+ω6∗outh2+b2
   
   
   neto2=ω7∗outh1+ω8∗outh2+b2neto2=ω7∗outh1+ω8∗outh2+b2
2. 计算o1与o2的输出激活值： 
   
   outo1=11+e−neto1outo1=11+e−neto1
   
   
   outo2=11+e−neto2outo2=11+e−neto2

至此，我们就计算出了前向传播的输出，接下来进行反向传播

反向传播

计算误差（代价函数）

1. 分别计算o1和o2的误差： 
   

   这里使用二次代价函数：E=12(target−output)2E=12(target−output)2

Eo1=12(targeto1−outputo1)2Eo1=12(targeto1−outputo1)2

Eo2=12(targeto2−outputo2)2Eo2=12(targeto2−outputo2)2

2. 计算总误差：

总误差为：Etotal=∑12(target−output)2Etotal=∑12(target−output)2

Etotal=Eo1+Eo2Etotal=Eo1+Eo2

权值更新

微分知识告诉我们，导数体现变化率，那么权值对于总误差的影响则体现在导数上 
要更新权值，就要计算总误差对权值的偏导数，即权值能对总误差产生多少影响，这里用到了链式法则

隐藏层 -> 输出层的权值更新

1. 以w5为例： 
   

   ∂Etotal∂outo1∗∂outo1∂neto1∗∂neto1∂ω5=∂Etotal∂ω5∂Etotal∂outo1∗∂outo1∂neto1∗∂neto1∂ω5=∂Etotal∂ω5
   
   下图可以更直观的感受反向传播误差： 
   

2. 分别计算等号左边的三个式子：

   • ∂Etotal∂outo1∂Etotal∂outo1： 
     
     Etotal=12(targeto1−outputo1)2+12(targeto2−outputo2)2Etotal=12(targeto1−outputo1)2+12(targeto2−outputo2)2
     
     
     ∂Etotal∂outo1=−(targeto1−outputo1)∂Etotal∂outo1=−(targeto1−outputo1)
   • ∂outo1∂neto1∂outo1∂neto1(即对sigmoid函数求导): 
     
     outo1=11+e−neto1outo1=11+e−neto1
     
     
     ∂outo1∂neto1=outo1(1−outo1)∂outo1∂neto1=outo1(1−outo1)
   • ∂neto1∂ω5∂neto1∂ω5： 
     
     neto1=ω5∗outh1+ω6∗outh2+b2neto1=ω5∗outh1+ω6∗outh2+b2
     
     
     ∂neto1∂ω5=outh1∂neto1∂ω5=outh1

3. 然后乘起来即可： 
   

   ∂Etotal∂ω5=−(targeto1−outputo1)∗outo1(1−outo1)∗outh1∂Etotal∂ω5=−(targeto1−outputo1)∗outo1(1−outo1)∗outh1
   
   现在我们得到了整体误差E(total)对w5的偏导值，为了表达方便，在此我们定义：

   δδ为神经元的误差 
   （与上文提到的误差不同，上文着重最终结果的误差，此处更着重单个神经元的误差）

4. 那么δo1即为神经元o1的误差，即： 
   

   δo1=∂Etotal∂outo1∗∂outo1∂neto1=∂Etotal∂neto1δo1=∂Etotal∂outo1∗∂outo1∂neto1=∂Etotal∂neto1
   
   
   δo1=−(targeto1−outputo1)∗outo1(1−outo1)δo1=−(targeto1−outputo1)∗outo1(1−outo1)
   
   所以，整体误差E(total)对w5的偏导为： 
   
   ∂Etotal∂ω5=δo1∗outh1∂Etotal∂ω5=δo1∗outh1
   
   最后，w5得到更新： 
   
   ω5→ω5−η∗∂Etotal∂ω5ω5→ω5−η∗∂Etotal∂ω5

   ηη是学习速率，也叫步长

输入层（隐藏层） -> 隐藏层的权值更新

1. 以w1为例： 
   

   ∂Etotal∂outh1∗∂outh1∂neth1∗∂neth1∂ω1=∂Etotal∂ω1∂Etotal∂outh1∗∂outh1∂neth1∗∂neth1∂ω1=∂Etotal∂ω1
   
   计算方法与上面类似，但是有个地方需要变一下，在计算h1的误差时，out(h1)会接受来自o1和o2两个神经元的误差，所以在这两个都要计算 
   

2. 分别计算等号左边的三个式子：

   • ∂Etotal∂outh1∂Etotal∂outh1： 
     
     ∂Etotal∂outh1=∂Eo1∂outh1+∂Eo2∂outh1∂Etotal∂outh1=∂Eo1∂outh1+∂Eo2∂outh1
     
     先计算∂Eo1∂outh1∂Eo1∂outh1： 
     
     ∂Eo1∂outh1=∂Eo1∂neto1∗∂neto1∂outh1∂Eo1∂outh1=∂Eo1∂neto1∗∂neto1∂outh1
     
     其中： 
     
     ∂Eo1∂neto1=∂Eo1∂outo1∗∂outo1∂neto1∂Eo1∂neto1=∂Eo1∂outo1∗∂outo1∂neto1
     
     
     neto1=ω5∗outh1+ω6∗outh2+b2neto1=ω5∗outh1+ω6∗outh2+b2
     
     
     ∂neto1∂outh1=ω5∂neto1∂outh1=ω5
     
     得到： 
     
     ∂Eo1∂outh1=∂Eo1∂outo1∗∂outo1∂neto1∗ω5∂Eo1∂outh1=∂Eo1∂outo1∗∂outo1∂neto1∗ω5
     
     代入上边计算出的结果可得： 
     
     ∂Eo1∂outh1=−(targeto1−outputo1)∗outo1(1−outo1)∗ω5∂Eo1∂outh1=−(targeto1−outputo1)∗outo1(1−outo1)∗ω5
     
     观察1，2两个式子，我们可以发现，等号右边的左边两项，其实就是δo1，所以上式可以化简为： 
     
     ∂Eo1∂outh1=δo1∗ω5∂Eo1∂outh1=δo1∗ω5
     
     同理可得另一项： 
     
     ∂Eo2∂outh1=δo2∗ω7∂Eo2∂outh1=δo2∗ω7
     
     然后加起来便得到第一项： 
     
     ∂Etotal∂outh1=δo1∗ω5+δo2∗ω7∂Etotal∂outh1=δo1∗ω5+δo2∗ω7
   • ∂outh1∂neth1∂outh1∂neth1(即对sigmoid函数求导): 
     
     outh1=11+e−neth1outh1=11+e−neth1
     
     
     ∂outh1∂neth1=outh1(1−outh1)∂outh1∂neth1=outh1(1−outh1)
   • ∂neth1∂ω1∂neth1∂ω1： 
     
     neth1=ω1∗i1+ω2∗i2+b1neth1=ω1∗i1+ω2∗i2+b1
     
     
     ∂neth1∂ω1=i1∂neth1∂ω1=i1

3. 然后乘起来即可： 
   

   ∂Etotal∂ω1=(δo1∗ω5+δo2∗ω7)∗outh1(1−outh1)∗i1∂Etotal∂ω1=(δo1∗ω5+δo2∗ω7)∗outh1(1−outh1)∗i1

4. 那么δh1即为神经元h1的误差，即： 
   
   δh1=∂Etotal∂outh1∗∂outh1∂neth1=∂Etotal∂neth1δh1=∂Etotal∂outh1∗∂outh1∂neth1=∂Etotal∂neth1
   
   
   δh1=(δo1∗ω5+δo2∗ω7)∗outh1(1−outh1)δh1=(δo1∗ω5+δo2∗ω7)∗outh1(1−outh1)
   
   所以，整体误差E(total)对w1的偏导为： 
   
   ∂Etotal∂ω1=δh1∗i1∂Etotal∂ω1=δh1∗i1
   
   最后，w5得到更新： 
   
   ω1→ω1−η∗∂Etotal∂ω1ω1→ω1−η∗∂Etotal∂ω1

结论公式

首先我们重新规定一下命名，z表示带权输入，a表示输出激活值，即为经过激活函数的带权输入，C表示代价函数，L表示神经网络的层数。

现在我们以sigmoid激活函数为例，用四个公式总结一下反向传播算法：

输出层误差的方程

L层第j个神经元的误差： 

δLj=∂C∂aLj∗σ′(zLj)δjL=∂C∂ajL∗σ′(zjL)

用微分算子表示的矩阵形式为： 

δL=∇aC⊙σ′(zL)δL=∇aC⊙σ′(zL)

使用下一层的误差表示当前层的误差

下一层的误差呈上下一层的权重值，再点乘上当前层的输出，即为当前层的误差： 

δl=(δl+1(ωl+1)T)⊙σ′(zl)δl=(δl+1(ωl+1)T)⊙σ′(zl)

偏置b在代价函数C中的改变率

仔细观察上述计算过程可以发现，偏置b是带权输入z中的一项，而且偏置b的系数为1，所以我们可以得出，代价函数C对某神经元的偏置b的偏导即为该神经元的误差： 

∂C∂b=δ∂C∂b=δ

权重ω在代价函数C中的改变率

根据带权输入的表达式(ain为输入该神经元的激活值)： 

z=ω∗ain+bz=ω∗ain+b

可知，代价函数 C 对 ω 的偏导是在误差的基础上乘上了输入激活值： 

∂C∂ω=ain∗δout∂C∂ω=ain∗δout

总结

四个公式： 

δL=∇aC⊙σ′(zL)δL=∇aC⊙σ′(zL)

δl=(δl+1(ωl+1)T)⊙σ′(zl)δl=(δl+1(ωl+1)T)⊙σ′(zl)

∂C∂b=δ∂C∂b=δ

∂C∂ω=ain∗δout