目标
- 知道什么是梯度下降
- 知道什么是反向传播
1. 梯度是什么?
梯度:是一个向量,导数+变化最快的方向(学习的前进方向)
回顾机器学习
收集数据x,构建机器学习模型f,得到 f(x,w) = Ypredict
判断模型好坏的方法:
- 回归损失:loss = (Ypredict - Ytrue)2
- 分类损失:loss = Ytrue·log(Ypredict)
目标:通过调整(学习)参数w,尽可能的降低loss,那么我们该如何调整w呢?
随机选择一个起始点w0,通过调整w0,让loss函数取到最小值
w的更新方法:
- 计算w的梯度(导数)
- 更新w
其中:α为学习率
① ▽w<0,意味着w将增大
② ▽w>0,意味着w将减小
总结:梯度就是多元函数参数的变化趋势(参数学习的方向),只有一个自变量时称为导数
2. 偏导的计算
2.1 常见的导数计算
2.2 多元函数求偏导
一元函数,即有一个自变量。类似f(x)
多元函数,即有多个自变量。类似f(x,y,z),三个自变量x,y,z
多元函数求偏导过程中:对某一个自变量求导,其他自变量当做常量即可
练习:
3. 反向传播算法
3.1 计算图和反向传播
计算图:通过图的方式来描述函数的图形
在上面的练习中
把它绘制成计算图可以表示为:
绘制成为计算图之后,可以清楚的看到向前计算的过程
之后,对每个节点求偏导可有:
那么反向传播的过程就是一个上图的从右往左的过程,自变量a,b,c各自的偏导就是连线上的梯度的乘积:
3.2 神经网络中的反向传播
3.2.1 神经网络示意图
w1,w2…wn表示网络第n层权重
wn[i,j]表示第n层第i个神经元,连接到第n+1层第j个神经元的权重
3.2.2 神经网络的计算图
其中:
- ▽out是根据损失函数对预测值进行求导得到的结果
- f函数可以理解为激活函数
问题:那么此时w1[1,2]的偏导该如何求解呢?
通过观察,发现从▽out到w1[1,2]的连接线有两条
结果如下:
公式分为两部分:
- 括号外:左边红线部分
- 括号内
- ① 加号左边:右边红线部分
- ② 加号右边:蓝线部分
但是这样做,当模型很大的时候,计算量非常大 所以反向传播的思想就是对其中的某一个参数单独求梯度,之后更新,如下图所示:
计算过程如下:
更新参数之后,继续反向传播
计算过程如下:
继续反向传播
计算过程如下:
通用的描述如下: