Original url:
http://blog.csdn.net/sinat_34474705/article/details/54176584
最近看了一下BP神经网络(Backpropagation Neural Networks),发现很多资料对于BP神经网络的讲解注重原理,而对于反向传播公式的推导介绍的比较简略,故自己根据《PATTERN RECOGNITION AND MACHINE LEARNING》这本书的思路推导了一下反向传播的过程,记录在这里,以便以后看。对于BP神经网络的工作原理此处就不再赘述,周志华大牛的《机器学习》中介绍的很详细。
PS: 本人第一次写博客,不足之处还请见谅。
1. BP网络模型及变量说明
1.1 模型简图
1.2 变量说明:
mlml:第ll层神经元个数
x(1)pxp(1): 输入层第pp个神经元,p=1...m1p=1...m1;
ykyk : 输出层第kk的神经元的输出,k=1...ml+1k=1...ml+1;
tktk:输出层第kk的神经元的目标值,k=1...ml+1k=1...ml+1;
z(l)jzj(l):第ll层的第jj的神经元的输入;
a(l)jaj(l):第ll层第jj个神经元的输出;
a(l)0a0(l):第ll层的偏置项;
w(l)jiwji(l):第l−1l−1层第ii个神经元与第ll层第jj个神经元的连接权值;
h(.)h(.):激活函数,这里假设每一层各个神经元的激励函数相同(实际中可能不同);
EpEp:网络在第pp个样本输入下的偏差,n=1...Nn=1...N;
NN:样本总数
2. 误差反向传播相关推导
2.1 正向传播(forward-propagation)
正向传播的思想比较直观,最主要的是对于激活函数的理解。对于网络中第ll层的第jj个神经元,它会接受来自第l−1l−1层所有神经元的信号,即:
如果令 wj0=1wj0=1,可以将公式简写为:
则经过该神经元后的输出值为:
对于多分类问题,网络输出层第 kk个神经元输出可表示为:
这里说明一下,BP神经网络中激活函数通常会取 sigmoidsigmoid函数或 tanhtanh函数,不清楚的可以百度一下这两个函数,这里不再赘述。
2.2 代价函数(cost function)
由2.1节公式可以得到BP网络在一个样本下的输出值,我们定义平方和误差函数(sum-of-square error function)如下:
所有样本输入下,网络的总误差为:
2.3 反向传播(back-propagation)
这是BP神经网络最核心的部分,误差从输出层逐层反向传播,各层权值通过梯度下降法(gradient descent algorithm)进行更新,即:
上式中, ηη是每次更新的步长, ▽Ep(w)▽Ep(w)是第 pp个样本输入下的输出偏差对某一层权值的偏导数,表示每输入一个样本更新一次参数。
下面我们以w(l)jiwji(l)为例推导梯度项:
这里我们定义δ(l)j=∂Ep∂z(l)jδj(l)=∂Ep∂zj(l),对于输出层,可以得出δ(l+1)k=yk−tk=a(l+1)k−tkδk(l+1)=yk−tk=ak(l+1)−tk,则上式可表示为:
现在问题转换为求解δ(l+1)kδk(l+1):
根据δδ的定义可知∂Ep∂z(l+1)k=δ(l+1)k∂Ep∂zk(l+1)=δk(l+1),代入上式,则:
根据z(l+1)kzk(l+1)和aljajl的定义可知:
代入上式得:
由此我们得到了误差从输出层向低层反向传播的递推公式,进而可以求出误差对于每一层权值的梯度▽Ep(w)▽Ep(w)
3. 总结
BP神经网络是应用最多的一种神经网络,其精髓在于误差反向传播。本人在学习这块内容是为了给接下来学习和研究深度学习及caffe做准备,由于个人水平有限,在上述推导中可能存在不合理的地方,还请见谅,同时也欢迎指出内容的不足之处。
4. 参考文献
[1] 周志华,机器学习[M] , 清华大学出版社,2016.
[2] CHRISTOPHER M.BISHOP. PATTERN RECOGNITION AND MACHINE LEARNING [M], 2006.