7.神经网络与深度学习（六）—改进学习效率

1）引言

前面我们初步认识了神经网络在图像识别当中的应用，我们虽然得到了比较好的识别率，但是能否再提高一点呢？

2）代价函数的改进

(1)交叉熵函数(cross entropy)

首先我们先来看一下公式，其中a是神经元输出，训练输入为x=1,目标输出是y=0：

这里  ，。

我们再来看一下，sigmoid函数图像：

这里我们可以清楚地看到，当函数输出值接近0或1的时候，其导数都逼近0。也就是说逼近0，那么公式（55）和（56）不可避免的都变得很小。而这两个公式代表的是神经网络的学习效率，这也就导致一个问题神经网络训练效率越来越低。

那么，我们该如何解决呢？

这里我们选择换一种cost function既然我们二次代价函数有缺点，那么我们试试别的函数—交叉熵函数（cross entropy）。

为什么选择它呢？这里有两个原因：

• 恒为正。a和y都是在（0，1）内，所以式子中每一项都是负数。括号前面有一个负号，最后得到正数。

• a和y相近时，C为0。如：当y=0，a约等于0时，C=0。

我们来推一下，为什么交叉熵代价函数能够避免学习速率的降低：

我们对w求偏导数，得到如下：

这里激励函数（z=wx+b）对w求偏导数得到x。再将括号内的式子通分：

再根据：

得到如下：

我们惊喜的发现，交叉熵函数对w的偏导数与无关了，只与目标输出和实际输出的差值有关。这个优良特性更加符合人学习的特点，错误大的时候，改动的大，错误小的时候，改动的小。

(2)对数似然函数（log-likelihood）

我们之前对网络中的每一层都用的是sigmoid函数激励加权求和得到激励值（activation value）。这里我们要对输出层的输出方程做出改变，不再用之前的方式，换成下式：

这个激励函数叫做柔性最大值函数，得到的激励值是。那么，这个函数的好处是什么呢？让我们根据公式（78）推导一下：

这里我把输出层的所有神经元加了起来，最后得到的结果是1。我们自然可以想到，每一个神经元输出其实是一个概率。得到这个关系，我们可以引出对数似然代价函数（log-likelihood）。如下：

我们举个例子，如果我们输入的是7的图像，那么代价函数的值是。如果神经网络输出的值（概率接近1）大，那么其对应的代价函数的值也就小。换句话说，也就是误差小，学习速率低。反之亦然。这种情况也是满足我们对代价函数的要求。我们可以再证明一下，这里我们还是对w和b求偏导：

我们可以看到，果然只与目标输出和实际输出的值有关了。撒花

希望有志同道合的小伙伴关注我的公众平台，欢迎您的批评指正，共同交流进步。