BP神经网络的数学原理及其算法实现: http://blog.csdn.net/zhongkejingwang/article/details/44514073
脉络清晰的BP神经网络讲解:http://www.cnblogs.com/wengzilin/archive/2013/04/24/3041019.html
BP神经网络模型与学习算法:http://www.cnblogs.com/wentingtu/archive/2012/06/05/2536425.html
BP算法之一种直观的解释:http://www.cnblogs.com/daniel-D/archive/2013/06/03/3116278.html
梁斌博士BP算法浅谈:http://blog.csdn.net/pennyliang/article/details/
这个BP算法可以多看几遍,条理清晰
神经网络BP算法简单推导:http://liuli1735.github.io/2014/09/21/Neural-networks.html
Stanford机器学习---第五讲. 神经网络的学习 Neural Networks learning
http://blog.csdn.net/abcjennifer/article/details/7758797
如何直观的解释back propagation算法? : https://www.zhihu.com/question/27239198
关于第5周反向传播算法的一些争论与思考http://mooc.guokr.com/note/16702/
推导过程:
重点参考必看:
https://blog.csdn.net/fendouaini/article/details/79789440
https://blog.csdn.net/zhongkejingwang/article/details/44514073
https://zhuanlan.zhihu.com/p/24801814
在学习深度学习相关知识,无疑都是从神经网络开始入手,在神经网络对参数的学习算法bp算法,接触了很多次,每一次查找资料学习,都有着似懂非懂的感觉,这次趁着思路比较清楚,也为了能够让一些像我一样疲于各种查找资料,却依然懵懵懂懂的孩子们理解,参考了梁斌老师的博客BP算法浅谈(Error Back-propagation)(为了验证梁老师的结果和自己是否正确,自己python实现的初始数据和梁老师定义为一样!),进行了梳理和python代码实现,一步一步的帮助大家理解bp算法!
为了方便起见,这里我定义了三层网络,输入层(第0层),隐藏层(第1层),输出层(第二层)。并且每个结点没有偏置(有偏置原理完全一样),激活函数为sigmod函数(不同的激活函数,求导不同),符号说明如下:
对应网络如下:
其中对应的矩阵表示如下:首先我们先走一遍正向传播,公式与相应的数据对应如下:
那么:
同理可以得到
那么最终的损失为我们当然是希望这个值越小越好。这也是我们为什么要进行训练,调节参数,使得最终的损失最小。这就用到了我们的反向传播算法,实际上反向传播就是梯度下降法中(为什么需要用到梯度下降法,也就是为什么梯度的反方向一定是下降最快的方向,我会再写一篇文章解释,这里假设是对的,关注bp算法)链式法则的使用。
下面我们看如何反向传播
根据公式,我们有:
这个时候我们需要求出C对w的偏导,则根据链式法则有上面插入sigmod函数求导公式:
(在这里我们可以看到不同激活函数求导是不同的,所谓的梯度消失,梯度爆炸如果了解bp算法的原理,也是非常容易理解的!)同理有
到此我们已经算出了最后一层的参数偏导了.我们继续往前面链式推导:
我们现在还需要求
下面给出其中的一个推到,其它完全类似 同理可得到其它几个式子:则最终的结果为:
再按照这个权重参数进行一遍正向传播得出来的Error为0.165
而这个值比原来的0.19要小,则继续迭代,不断修正权值,使得代价函数越来越小,预测值不断逼近0.5.我迭代了100次的结果,Error为5.92944818e-07(已经很小了,说明预测值与真实值非常接近了),最后的权值为:
好了,bp过程可能差不多就是这样了,可能此文需要你以前接触过bp算法,只是还有疑惑,一步步推导后,会有较深的理解。中文版资料:链接:http://pan.baidu.com/s/1mi8YVri 密码:e7do
下面给出我学习bp时候的好的博客
Backpropagation (里面的插图非常棒,不过好像有点错误,欢迎讨论~)
A Neural Network in 11 lines of Python (Part 1)(非常赞的博客,每个代码一行一行解释)
Neural networks and deep learning (很好的深度学习入门书籍,实验室力推!我有中文翻译版,欢迎留言)
上面实现的python代码如下:
import numpy as np
def nonlin(x, deriv=False):
if (deriv == True):
return x * (1 - x) #如果deriv为true,求导数
return 1 / (1 + np.exp(-x))
X = np.array([[0.35],[0.9]]) #输入层
y = np.array([[0.5]]) #输出值
np.random.seed(1)
W0 = np.array([[0.1,0.8],[0.4,0.6]])
W1 = np.array([[0.3,0.9]])
print 'original ',W0,'\n',W1
for j in xrange(100):
l0 = X #相当于文章中x0
l1 = nonlin(np.dot(W0,l0)) #相当于文章中y1
l2 = nonlin(np.dot(W1,l1)) #相当于文章中y2
l2_error = y - l2
Error = 1/2.0*(y-l2)**2
print "Error:",Error
l2_delta = l2_error * nonlin(l2, deriv=True) #this will backpack
#print 'l2_delta=',l2_delta
l1_error = l2_delta*W1; #反向传播
l1_delta = l1_error * nonlin(l1, deriv=True)
W1 += l2_delta*l1.T; #修改权值
W0 += l0.T.dot(l1_delta)
print W0,'\n',W1
推导过程2:
反向传播算法(Backpropagation Algorithm,简称BP算法)是深度学习的重要思想基础,对于初学者来说也是必须要掌握的基础知识!本文希望以一个清晰的脉络和详细的说明,来让读者彻底明白BP算法的原理和计算过程。
全文分为上下两篇,上篇主要介绍BP算法的原理(即公式的推导),介绍完原理之后,我们会将一些具体的数据带入一个简单的三层神经网络中,去完整的体验一遍BP算法的计算过程;下篇是一个项目实战,我们将带着读者一起亲手实现一个BP神经网络(不适用任何第三方的深度学习框架)来解决一个具体的问题。
读者在学习的过程中,有任何的疑问,欢迎加入我们的交流群(扫描文章最后的二维码即可加入),和大家一起讨论!
1.BP算法的推导
图1所示是一个简单的三层(两个隐藏层,一个输出层)神经网络结构,假设我们使用这个神经网络来解决二分类问题,我们给这个网络一个输入样本 ,通过前向运算得到输出 。输出值 的值域为 ,例如 的值越接近0,代表该样本是“0”类的可能性越大,反之是“1”类的可能性大。
1.1前向传播的计算
为了便于理解后续的内容,我们需要先搞清楚前向传播的计算过程,以图1所示的内容为例:
输入的样本为:
第一层网络的参数为:
第二层网络的参数为:
第三层网络的参数为:
1.1.1第一层隐藏层的计算
1.1.2第二层隐藏层的计算
1.1.3输出层的计算
即:
单纯的公式推导看起来有些枯燥,下面我们将实际的数据带入图1所示的神经网络中,完整的计算一遍。
2.图解BP算法
我们依然使用如图5所示的简单的神经网络,其中所有参数的初始值如下:
输入的样本为(假设其真实类标为“1”):
第一层网络的参数为:
第二层网络的参数为:
第三层网络的参数为:
2.1前向传播
我们首先初始化神经网络的参数,计算第一层神经元:
2.2误差反向传播
接着计算第二层隐藏层的误差项,根据误差项的计算公式有:
2.3更新参数
上一小节中我们已经计算出了每一层的误差项,现在我们要利用每一层的误差项和梯度来更新每一层的参数,权重W和偏置b的更新公式如下:
通常权重W的更新会加上一个正则化项来避免过拟合,这里为了简化计算,我们省去了正则化项。上式中的 是学习率,我们设其值为0.1。参数更新的计算相对简单,每一层的计算方式都相同,因此本文仅演示第一层隐藏层的参数更新:
3.小结
至此,我们已经完整介绍了BP算法的原理,并使用具体的数值做了计算。在下篇中,我们将带着读者一起亲手实现一个BP神经网络(不适用任何第三方的深度学习框架),敬请期待!有任何疑问,欢迎加入我们一起交流!