Coursea吴恩达《神经网络和深度学习》(4)

转载自http://blog.csdn.net/koala_tree/article/details/78087711

神经网络和深度学习—深层神经网络

1. 矩阵的维度

DNN结构示意图如图所示：

对于第 l 层神经网络，单个样本其各个参数的矩阵维度为：

• W[l] ： (n[l],n[l−1])
• b[l] ： (n[l],1)
• dW[l] ： (n[l],n[l−1])
• db[l] ： (n[l],1)
• Z[l] ： (n[l],1)
• A[l]=Z[l] ： (n[l],1)

2. 为什么使用深层表示

人脸识别和语音识别：

对于人脸识别，神经网络的第一层从原始图片中提取人脸的轮廓和边缘，每个神经元学习到不同边缘的信息；网络的第二层将第一层学得的边缘信息组合起来，形成人脸的一些局部的特征，例如眼睛、嘴巴等；后面的几层逐步将上一层的特征组合起来，形成人脸的模样。随着神经网络层数的增加，特征也从原来的边缘逐步扩展为人脸的整体，由整体到局部，由简单到复杂。层数越多，那么模型学习的效果也就越精确。

对于语音识别，第一层神经网络可以学习到语言发音的一些音调，后面更深层次的网络可以检测到基本的音素，再到单词信息，逐渐加深可以学到短语、句子。

所以从上面的两个例子可以看出随着神经网络的深度加深，模型能学习到更加复杂的问题，功能也更加强大。

电路逻辑计算：

假定计算异或逻辑输出：

y=x1⊕x2⊕x3⊕⋯⊕xn

对于该运算，若果使用深度神经网络，每层将前一层的相邻的两单元进行异或，最后到一个输出，此时整个网络的层数为一个树形的形状，网络的深度为 O(log2(n)) ，共使用的神经元的个数为：

1+2+⋅+2log2(n)−1=1⋅1−2log2(n)1−2=2log2(n)−1=n−1

即输入个数为n，输出个数为n-1。

但是如果不适用深层网络，仅仅使用单隐层的网络（如右图所示），需要的神经元个数为 2n−1 个 。同样的问题，但是深层网络要比浅层网络所需要的神经元个数要少得多。

3. 前向和反向传播

首先给定DNN的一些参数：

• L：DNN的总层数；
• n[l] ：表示第 l 层的包含的单元个数；
• a[l] ：表示第 l 层激活函数的输出；
• W[l] ：表示第 l 层的权重；
• 输入 x 记为 a[0] ，输出 ŷ  记为 a[L] 。

前向传播（Forward propagation） 
Input： a[l−1]  
Output： a[l]，cache(z[l])

• 公式： 
  
  z[l]=W[l]⋅a[l−1]+b[l]a[l]=g[l](z[l])
• 向量化程序： 
  
  Z[l]=W[l]⋅A[l−1]+b[l]A[l]=g[l](Z[l])

反向传播（Backward propagation） 
Input： da[l]  
Output： da[l−1]，dW[l]，db[l]

• 公式： 
  
  dz[l]=da[l]∗g[l]′(z[l])dW[l]=dz[l]⋅a[l−1]db[l]=dz[l]da[l−1]=W[l]T⋅dz[l]
  
  将 da[l−1]代入dz[l] ，有： 
  
  dz[l]=W[l+1]T⋅dz[l+1]∗g[l]′(z[l])
• 向量化程序： 
  
  dZ[l]=dA[l]∗g[l]′(Z[l])dW[l]=1mdZ[l]⋅A[l−1]db[l]=1mnp.sum(dZ[l],axis=1,keepdims=True)dA[l−1]=W[l]T⋅dZ[l]

4. 参数和超参数

参数：

参数即是我们在过程中想要模型学习到的信息， W[l]，b[l] 。

超参数：

超参数即为控制参数的输出值的一些网络信息，也就是超参数的改变会导致最终得到的参数 W[l]，b[l] 的改变。

举例：

• 学习速率： α
• 迭代次数：N
• 隐藏层的层数：L
• 每一层的神经元个数： n[1]，n[2],⋯
• 激活函数 g(z) 的选择

更多超参数的调整和学习吴恩达老师将在下一个主题中介绍。