后向传播(BackPropagation)算法理解

后向传播算法是深度学习中一种训练与学习方法，用来调整深度网络中各个节点之间的权重，使得网络输出的样本标签与实际标签相一致。本文将对后向传播算法的实现细节进行总结。
后向传播算法是将输出层的误差向后进行传播来实现权重的调整。如图1所示，一个含有1个隐藏层的网络，输入层有2个节点，隐藏层有3个节点，输出层有2个节点。

图1 示例网络
则后向传播的实现细节如下：
1.计算输出层各个节点的误差

其中 $\delta_\alpha$表示 $\alpha$节点的输出误差； $out_\alpha$表示经过前向传播后的输出； $Target_\alpha$表示输出节点的真值，即样本对应的标签。式中 $out_\alpha(1-out_\alpha)$是由于激活函数采用sigmoid所造成的。
2.更新输出层的权重

其中 $W^+$为更新后的权重； $W$为更新前的权重；$\eta$为学习率，控制权重更新的强度。
3.将输出层的误差传递给隐藏层

4.更新隐藏层的权重

下面给出一个计算示例：
如图2为一个简单的网络

图2 样例网络
假设目标输出为0.5，即target=0.5，则按照以上的方法计算如下：
1.计算各节点的值与激活值
a.隐藏层最顶端节点：(0.35×0.1)+（0.9×0.8）=0.755；
节点输出：out=sigmoid(0.755)=0.68;
b.隐藏层最低端节点：(0.9×0.6)+（0.35×0.4）=0.68；
节点输出：out=sigmoid(0.68)=0.6637；
c.输出层节点：（0.3×0.68）+（0.9×0.6637）=0.80133
节点输出：sigmoid(0.80133)=0.69

2.后向传播更新权重
a.输出误差:$\delta$=(t-o)(1-o)o=(0.5-0.69)(1-0.69)0.69=-0.0406；
b.更新输出层权重：
$W1^+=W1+(\delta×input)$=0.3+(-0.0406×0.68)=0.272392
$W2^+=W2+(\delta×input)$=0.9+(-0.0406×0.6637)=0.87305

c.隐藏层误差与权重更新
误差计算：
$\delta1=\delta×W1$=-0.0406×0.272392×(1-o)o=-2.406×$10^{-3}$
$\delta2=\delta×W2$=-0.0406×0.87305×(1-o)o=-7.916×$10^{-3}$
权重更新：
$W3^+=0.1+(-2.406×10^{-3}×0.35)=0.09916$
$W4^+=0.8+(-2.406×10^{-3}×0.9)=0.7978$
$W5^+=0.4+(-7.916×10^{-3}×0.35)=0.3972$
$W6^+=0.6+(-7.916×10^{-3}×0.9)=0.5928$