关于Backpropagation在DeepLearning的一点思考

Backpropagation介绍

深度学习中，常见的CNN、RNN神经网络中，参数估计通常在经过样本批处理时，使用SGD算法更新权重W和偏置b。SGD会根据样本Loss将误差后向传播，根据chain rule链式法则计算每一层的误差，从而计算总误差关于W、b的导数，从而更新W或者b。

几个定义

• 神经元：这里考虑误差传播时，通常意义下的隐藏层、输出层、输入层点
• 神经元输入：u = 前一层输出x * W + b
  
• 神经元输出：经过激活函数处理logistic或其他 f(u)

经典Backpropagation实现

参考文档：UFLDL反向传播算法

CNN bp实现

与全连接神经网络相比，主要区别是添加了池化功能和稀疏连接、权值共享功能。这篇论文【1】讲的很清楚。

• -总误差损耗

• -层级关系

• -相对于偏置导数

• -卷积层

• -卷积层后跟一个下采样层，计算下采样层误差

• -普通卷积传播误差计算

同时这篇文章【2】也基本上体现了我要表达的内容。

这里我只说明不同的

• -最大池化：后向传播时，只更新最大值的损耗，其他网格误差设为0即可。

• -Dropout：没选中的神经元，不用更新权重。
  

RNN bp实现

每个时刻都有输出，每个时刻有输出和后一个时刻的隐藏层的连接，故后向时需考虑两块导数即可。参考bptt算法。

Trick

建议看下链式法则，两个相乘时，和求和时处理。

参考

【1】Notes on Convolutional Neural Networks, Jake Bouvrie

【2】http://blog.csdn.net/u010555688/article/details/38780807

【3】wiki-Backpropagation

【4】UFLDL后向传播算法

【5】cs231n-convolutional-networks

【6】Supervised Sequence Labelling with Recurrent Neural Networks