深度神经网络（DNN）模型与前向传播算法

最新推荐文章于 2024-09-27 19:26:59 发布

CRISTIANO Xusanduo

最新推荐文章于 2024-09-27 19:26:59 发布

阅读量418

点赞数

分类专栏： AI

原文链接：https://www.cnblogs.com/pinard/p/6418668.html

版权

AI 专栏收录该内容

11 篇文章 0 订阅

订阅专栏

　　　原地址：https://www.cnblogs.com/pinard/p/6418668.html

深度神经网络（Deep Neural Networks，以下简称DNN）是深度学习的基础，而要理解DNN，首先我们要理解DNN模型，下面我们就对DNN的模型与前向传播算法做一个总结。

1. 从感知机到神经网络

　　　　在感知机原理小结中，我们介绍过感知机的模型，它是一个有若干输入和一个输出的模型，如下图:

　　　　输出和输入之间学习到一个线性关系，得到中间输出结果：

z=∑i=1mwixi+b

　　　　接着是一个神经元激活函数:

sign(z)={−11z<0z≥0

　　　　从而得到我们想要的输出结果1或者-1。

　　　　这个模型只能用于二元分类，且无法学习比较复杂的非线性模型，因此在工业界无法使用。

　　　　而神经网络则在感知机的模型上做了扩展，总结下主要有三点：

　　　　1）加入了隐藏层，隐藏层可以有多层，增强模型的表达能力，如下图实例，当然增加了这么多隐藏层模型的复杂度也增加了好多。

　　　　2）输出层的神经元也可以不止一个输出，可以有多个输出，这样模型可以灵活的应用于分类回归，以及其他的机器学习领域比如降维和聚类等。多个神经元输出的输出层对应的一个实例如下图，输出层现在有4个神经元了。

　　　　3）对激活函数做扩展，感知机的激活函数是sign(z)

,虽然简单但是处理能力有限，因此神经网络中一般使用的其他的激活函数，比如我们在逻辑回归里面使用过的Sigmoid函数，即：

f(z)=11+e−z

　　　　还有后来出现的tanx, softmax,和ReLU等。通过使用不同的激活函数，神经网络的表达能力进一步增强。对于各种常用的激活函数，我们在后面再专门讲。

2. DNN的基本结构

　　　　上一节我们了解了神经网络基于感知机的扩展，而DNN可以理解为有很多隐藏层的神经网络。这个很多其实也没有什么度量标准, 多层神经网络和深度神经网络DNN其实也是指的一个东西，当然，DNN有时也叫做多层感知机（Multi-Layer perceptron,MLP）, 名字实在是多。后面我们讲到的神经网络都默认为DNN。

　　　　从DNN按不同层的位置划分，DNN内部的神经网络层可以分为三类，输入层，隐藏层和输出层,如下图示例，一般来说第一层是输入层，最后一层是输出层，而中间的层数都是隐藏层。

　　　　层与层之间是全连接的，也就是说，第i层的任意一个神经元一定与第i+1层的任意一个神经元相连。虽然DNN看起来很复杂，但是从小的局部模型来说，还是和感知机一样，即一个线性关系z=∑wixi+b

加上一个激活函数σ(z)

。

　　　　由于DNN层数多，则我们的线性关系系数w

和偏倚b

的数量也就是很多了。具体的参数在DNN是如何定义的呢？

　　　　首先我们来看看线性关系系数w

的定义。以下图一个三层的DNN为例，第二层的第4个神经元到第三层的第2个神经元的线性系数定义为w324。上标3代表线性系数w所在的层数，而下标对应的是输出的第三层索引2和输入的第二层索引4。你也许会问，为什么不是w342, 而是w324呢？这主要是为了便于模型用于矩阵表示运算，如果是w342而每次进行矩阵运算是wTx+b，需要进行转置。将输出的索引放在前面的话，则线性运算不用转置,即直接为wx+b。总结下，第l−1层的第k个神经元到第l层的第j个神经元的线性系数定义为wljk。注意，输入层是没有w

参数的。

　　　　再来看看偏倚b

的定义。还是以这个三层的DNN为例，第二层的第三个神经元对应的偏倚定义为b23。其中，上标2代表所在的层数，下标3代表偏倚所在的神经元的索引。同样的道理，第三个的第一个神经元的偏倚应该表示为b31。同样的，输入层是没有偏倚参数b

的。

3. DNN前向传播算法数学原理

　　　　在上一节，我们已经介绍了DNN各层线性关系系数w

,偏倚b的定义。假设我们选择的激活函数是σ(z)，隐藏层和输出层的输出值为a

，则对于下图的三层DNN,利用和感知机一样的思路，我们可以利用上一层的输出计算下一层的输出，也就是所谓的DNN前向传播算法。

　　　　对于第二层的的输出a21,a22,a23

，我们有：

a21=σ(z21)=σ(w211x1+w212x2+w213x3+b21)

a22=σ(z22)=σ(w221x1+w222x2+w223x3+b22)

a23=σ(z23)=σ(w231x1+w232x2+w233x3+b23)

　　　　对于第三层的的输出a31

，我们有：

a31=σ(z31)=σ(w311a21+w312a22+w313a23+b31)

　　　　将上面的例子一般化，假设第l−1

层共有m个神经元，则对于第l层的第j个神经元的输出alj，我们有：

alj=σ(zlj)=σ(∑k=1mwljkal−1k+blj)

　　　　其中，如果l=2

,则对于的a1k即为输入层的xk

。

　　　　从上面可以看出，使用代数法一个个的表示输出比较复杂，而如果使用矩阵法则比较的简洁。假设第l−1

层共有m个神经元，而第l层共有n个神经元，则第l层的线性系数w组成了一个n×m的矩阵Wl, 第l层的偏倚b组成了一个n×1的向量bl , 第l−1层的的输出a组成了一个m×1的向量al−1，第l层的的未激活前线性输出z组成了一个n×1的向量zl, 第l层的的输出a组成了一个n×1的向量al。则用矩阵法表示，第l层的输出为：

al=σ(zl)=σ(Wlal−1+bl)

　　　　这个表示方法简洁漂亮，后面我们的讨论都会基于上面的这个矩阵法表示来。