梯度下降法更新权值理论

最新推荐文章于 2024-04-20 08:28:06 发布

我脾气很好

最新推荐文章于 2024-04-20 08:28:06 发布

阅读量8.2k

点赞数 1

分类专栏：神经网络

本文链接：https://blog.csdn.net/qq_40196164/article/details/83007061

版权

神经网络专栏收录该内容

2 篇文章 0 订阅

订阅专栏

使用3层的神经网络(包含输入层和输出层)来演示是如何工作的。

网络：input 3个节点；hidden 3个节点；output 3个节点

参数：input：矩阵是3*1的矩阵； $W_{input\, hidden}$ 为3*3的矩阵； $W_{hidden\, output}$ 为3*3的矩阵；output：矩阵为3*1的矩阵

计算hidden层节点的矩阵： $X_{hidden} = W_{input\: hidden}\cdot I$ $O_{hidden} = sigmoid(X_{hidden})$

计算output层节点的输出： $X_{}{output} = W_{hidden\:output}\cdot O_{hidden}$ $O_{output} = sigmoid(X_{output})$

如何根据梯度下降法来调节权重：

$New\, w_{j\cdot k} = Old\, w_{j\cdot k} - \alpha \cdot \frac{\varphi E}{\varphi w_{j\cdot k}}$

其中： $New\, W_{j\cdot k}$ 是更新后的权重； $Old\, W_{j\cdot k}$ 是更新前的权重； $\alpha$ 是学习率； $\frac{\varphi E}{\varphi w_{j\cdot k}}$ 是斜率代表误差值和权重的比值

$\alpha \cdot \frac{\varphi E}{\varphi w_{j\cdot k}} = \alpha \cdot E_{k}\cdot O_{k}(1 - O_{k})\cdot O_{j }^{\tau}$

其中： $E_{k}$ 是output层第k个节点的误差值， $E_{k} = t_{k} - o_{k}$ , $t_{k}$ 是目标值， $O_{k}$ 是实际值

$O_{k}$ 是output层输出的实际值

$O_{j }^{\tau}$ 是前一层的输出的转置

误差与权重的比值(也叫梯度)推导

误差值 = 目标值 - 实际值，有下面三种选择
误差值 = 目标值 - 实际值
误差值 = |目标值 - 实际值|
误差值 = (目标值 - 实际值)的平方，一般我们选择这个，因为使用平方误差，我们可以很容易的使用代数计算出梯度下降的斜率；误差函数平滑连续，这使得梯度下降法很好的发挥了作用-没有间断，也没有突然地跳跃；越接近最小值，梯度越小这意味着，如果我们使用了这个函数调节步长，超调的风险就会变得较小。

$\frac{\varphi E}{\varphi w_{j\cdot k}} = \frac{\varphi \sum _{n}(t_{n} - o_{n})^{2}}{\varphi w_{j\cdot k}}$ $E_{k}$ 是output层第k个节点的误差值， $E_{k} = t_{k} - o_{k}$ , $t_{k}$ 是目标值， $O_{k}$ 是实际值

由于节点的输出只取决于所连接的链接，就是取决于链接权重，这意味着误差函数根本就不需要对所有输出节点求和，便得到下式： $\frac{\varphi E}{\varphi w_{j\cdot k}} = \frac{\varphi \left ( t_{k} - o_{k} \right )^{2}}{\varphi w_{j\cdot k}} = -2\left ( t_{k} - o_{k} \right ) \cdot \frac{\varphi o_{k}}{\varphi w_{j\cdot k}}$ $t_{k}$ 是一个常数

其中： $o_{k} = \frac{1}{1 + e^{-\sum_{3}^{j=1}\left ( w_{j\cdot k} \cdot \frac{1}{1+e^{-\sum_{3}^{i=1}\left ( w_{i\cdot j} \cdot x_{i} \right )}}\right )}} = sigmoid\left ( \Sigma_{j} \cdot o_{j} \cdot w_{j\cdot k} \right )$ 也就是3层神经网络的输出值

$\frac{\varphi sigmoid\left ( x \right )}{\varphi x} = sigmoid\left ( x \right )\left ( 1-sigmoid\left ( x \right ) \right )$

$\frac{\varphi E}{\varphi w_{j\cdot k}} = \frac{\varphi \left ( t_{k} - o_{k} \right )^{2}}{\varphi w_{j\cdot k}} = -2\left ( t_{k} - o_{k} \right ) \cdot \frac{\varphi o_{k}}{\varphi w_{j\cdot k}} = -2\left ( t_{k} - o_{k} \right ) \cdot \frac{\varphi sigmoid\left ( \Sigma_{j} \cdot w_{j\cdot k} \cdot o_{j}\right )}{\varphi w_{j\cdot k}} = -2\left ( t_{k} - o_{k} \right ) \cdot sigmoid\left ( \Sigma_{j} \cdot w_{j\cdot k} \cdot o_{j} \right )\left ( 1- sigmoid(\Sigma_{j} \cdot w_{j\cdot k} \cdot o_{j} \right)) \cdot \frac{\varphi \left ( \Sigma_{j} \cdot w_{j\cdot k} \cdot o_{j} \right )}{\varphi w_{j\cdot k}}$

所以：

$\fn_phv \frac{\varphi E}{\varphi w_{j\cdot k}} = = -2\left ( t_{k} - o_{k} \right ) \cdot sigmoid\left ( \Sigma_{j} \cdot w_{j\cdot k} \cdot o_{j} \right )\left ( 1- sigmoid\left ( \Sigma_{j} \cdot w_{j\cdot k} \cdot o_{j} \right) \right ) \cdot o_{j} = E_{k} \cdot o_{k}\left ( 1 - o_{k} \right ) \cdot o_{j }^{\tau}$

我脾气很好

关注

1
点赞
踩
19

收藏

觉得还不错? 一键收藏
0
评论
梯度下降法更新权值理论

使用3层的神经网络(包含输入层和输出层)来演示是如何工作的。网络：input 3个节点；hidden 3个节点；output 3个节点参数：input：矩阵是3*1的矩阵；为3*3的矩阵；为3*3的矩阵；output：矩阵为3*1的矩阵计算hidden层节点的矩阵：计算output层节点的输出： ...
复制链接

扫一扫