3.5 向 量 化 实 现 的 解 释 ( Justification for vectorized
implementation)
在上一个视频中,我们学习到如何将多个训练样本横向堆叠成一个矩阵𝑋,然后就可以推导出神经网络中前向传播(forward propagation)部分的向量化实现。
在这个视频中,我们将会继续了解到,为什么上一节中写下的公式就是将多个样本向量化的正确实现。
我们先手动对几个样本计算一下前向传播,看看有什么规律:
公式 3.16:
z
[
1
]
(
1
)
{{z}^{[1](1)}}
z[1](1) =
W
[
1
]
{{W}^{[1]}}
W[1]
x
(
1
)
{{x}^{(1)}}
x(1) +
b
[
1
]
{{b}^{[1]}}
b[1]
z
[
1
]
(
2
)
{{z}^{[1](2)}}
z[1](2) =
W
[
1
]
{{W}^{[1]}}
W[1]
x
(
2
)
{{x}^{(2)}}
x(2) +
b
[
1
]
{{b}^{[1]}}
b[1]
z
[
1
]
(
3
)
{{z}^{[1](3)}}
z[1](3) =
W
[
1
]
{{W}^{[1]}}
W[1]
x
(
3
)
{{x}^{(3)}}
x(3) +
b
[
1
]
{{b}^{[1]}}
b[1]
这里,为了描述的简便,我们先忽略掉
b
[
1
]
{{b}^{[1]}}
b[1]后面你将会看到利用 Python 的广播机制,可以很容易的将
b
[
1
]
{{b}^{[1]}}
b[1]加进来。
现在
W
[
1
]
{{W}^{[1]}}
W[1]是一个矩阵,
x
(
1
)
{{x}^{(1)}}
x(1),
x
(
2
)
{{x}^{(2)}}
x(2),
x
(
3
)
{{x}^{(3)}}
x(3)都是列向量,矩阵乘以列向量得到列向量,下面将它们用图形直观的表示出来: 公式 3.17:
视频中,吴恩达老师很细心的用不同的颜色表示不同的样本向量,及其对应的输出。所以从图中可以看出,当加入更多样本时,只需向矩阵𝑋中加入更多列。
所以从这里我们也可以了解到,为什么之前我们对单个样本的计算要写成
z
[
1
]
(
i
)
{{z}^{[1](i)}}
z[1](i) =
W
[
1
]
{{W}^{[1]}}
W[1]
x
(
i
)
{{x}^{(i)}}
x(i) +
b
[
1
]
{{b}^{[1]}}
b[1]这种形式,因为当有不同的训练样本时,将它们堆到矩阵𝑋的各列中,那么它们的输出也就会相应的堆叠到矩阵
z
[
1
]
{{z}^{[1]}}
z[1] 的各列中。现在我们就可以直接计算矩阵
z
[
1
]
{{z}^{[1]}}
z[1]加上
b
[
1
]
{{b}^{[1]}}
b[1],因为列向量
b
[
1
]
{{b}^{[1]}}
b[1] 和矩阵
z
[
1
]
{{z}^{[1]}}
z[1]的列向量有着相同的尺寸,而 Python 的广播机制对于这种矩阵与向量直接相加的处理方式是,将向量与矩阵的每一列相加。 所以这一节只是说明了为什么公式
z
[
1
]
{{z}^{[1]}}
z[1]=
W
[
1
]
{{W}^{[1]}}
W[1]𝑋 +
b
[
1
]
{{b}^{[1]}}
b[1]是前向传播的第一步计算的正确向量化实现,但事实证明,类似的分析可以发现,前向传播的其它步也可以使用非常相似的逻辑,即如果将输入按列向量横向堆叠进矩阵,那么通过公式计算之后,也能得到成列堆叠的输出。
最后,对这一段视频的内容做一个总结:
由公式 3.12、公式 3.13、公式 3.14、公式 3.15 可以看出,使用向量化的方法,可以不需要显示循环,而直接通过矩阵运算从𝑋就可以计算出
A
[
1
]
{{A}^{[1]}}
A[1],实际上𝑋可以记为
A
[
0
]
{{A}^{[0]}}
A[0],使用同样的方法就可以由神经网络中的每一层的输入
A
[
i
−
1
]
{{A}^{[i-1]}}
A[i−1]计算输出
A
[
i
]
{{A}^{[i]}}
A[i]。其实这些方程有一定对称性,其中第一个方程也可以写成
z
[
1
]
{{z}^{[1]}}
z[1]=
W
[
1
]
{{W}^{[1]}}
W[1]
A
[
0
]
{{A}^{[0]}}
A[0] +
b
[
1
]
{{b}^{[1]}}
b[1],你看这对方程,还有这对方程形式其实很类似,只不过这里所有指标加了 1。所以这样就显示出神经网络的不同层次,你知道大概每一步做的都是一样的,或者只不过同样的计算不断重复而已。这里我们有一个双层神经网络,我们在下周视频里会讲深得多的神经网络,你看到随着网络的深度变大,基本上也还是重复这两步运算,只不过是比这里你看到的重复次数更多。在下周的视频中将会讲解更深层次的神经网络,随着层数的加深,基本上也还是重复同样的运算。
以上就是对神经网络向量化实现的正确性的解释,到目前为止,我们仅使用 sigmoid 函数作为激活函数,事实上这并非最好的选择,在下一个视频中,将会继续深入的讲解如何使用更多不同种类的激活函数。