介绍一个快速确定神经网络模型中各层矩阵维度的方法

介绍一个快速确定神经网络模型中各层矩阵维度的方法

深度学习在设计神经网络结构时需要指定每个隐藏层权重矩阵、偏置项的维度,有的时候容易搞混淆,导致运行时产生维度不对的错误,特别是对于隐藏层既深又宽的网络,更容易出错。下面以一个实例来说明怎么简单快速确定每一层各个矩阵的维度。

假设需要拟合的函数为:y=f(x)=WX+b。

损失函数:J(W,b)

其中 X:输入特征,W:权重,b:偏置项

正(前)向传播的计算公式

a[0]=X,z[i]=w[i]*a[i-1]+b[i] ,a[i]=gi

向量化表示

A[0]=X,Z[i]=W[i]*A[i-1]+b[i] ,A[i]=gi

反(后)向传播的计算公式

dz[i]=da[i]*gi,dw[i]=dz[i]*a[i-1]

db[i]=dz[i],da[i-1]=w[i].T*dz[i]

向量化表示

dZ[i]=dA[i]gi,dW[i]=1/mdZ[i]*A[i-1].T

db[i]=1/m*np.sum(dZ[i],axis=1,keepdims=True)

dA[i-1]=W[i].TdZ[i],W[i]=W[i-1]-αdJ(W,b)

对上述公式的简要说明

i:第i层(从1开始计数)

X:输入特征

g[i]:第i层使用的激活函数

A[i]:第i层的输出(也是第i+1层的输入)

m:样本数量

dZ[i]:偏导数,dW[i]:偏导数,db[i]:偏导数,dA[i-1]:偏导数,dJ(W,b):偏导数

α:学习率

神经网络示例

上图中每个圆圈表示一个神经元。

n[i]:第i层的神经元数量,i=0时表示输入层的特征数目(上图中有x1,x2两个特征),m:样本数量。

计算矩阵的维度

w[i]=[n[i], n[i-1]],维度是:n[i]行,n[i-1]列。从图中可知行数是本层神经元的数量,列数是前一层神经元的数量。

b[i]=[n[i], 1],维度是:n[i]行,1列

a[i]=z[i]=[n[i], 1],维度是:n[i]行,1列。由前面的正向传播公式:a[i]=gi,可知a与z的维度是相同的。

a[0]:输入层,a[i] :第 i+1 层的输入

由上面的规则可知示例神经网络图中,w[1]是一个3行2列的矩阵,b[1]是3行1列的矩阵,a[1]和z[1]也是3行1列的矩阵,由此类推:w[2]是一个4行3列的矩阵,w[3]是一个2行4列的矩阵,w[4]是一个1行2列的矩阵。

简单总结

对于w矩阵,行数:本层神经元的数量,列数:前一层神经元的数量(第0层即是输入层特征的数量)

对于b矩阵,行数:该层w矩阵的行数,列数:1

对于z和a矩阵,行数:该层w矩阵的行数,列数:1

在确定了各层矩阵之后,神经网络就设计好了,下一个环节就是设计算法步骤训练模型。模型训练过程中需要根据训练情况调适模型,使得模型对训练数据及测试数据的拟合度高、误差小,训练模型时尤其需要注意偏差与方差问题,参看 深度学习模型训练之偏差与方差。

  • 0
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值