BP算法详解

说到神经网络,大家看到这个图应该不陌生:

       这是典型的三层神经网络的基本构成,Layer L1是输入层,Layer L2是隐含层,Layer L3是隐含层,我们现在手里有一堆数据{x1,x2,x3,…,xn},输出也是一堆数据{y1,y2,y3,…,yn},现在要他们在隐含层做某种变换,让你把数据灌进去后得到你期望的输出。如果你希望你的输出和原始输入一样,那么就是最常见的自编码模型(Auto-Encoder)。可能有人会问,为什么要输入输出都一样呢?有什么用啊?其实应用挺广的,在图像识别,文本分类等等都会用到。如果你的输出和原始输入不一样,那么就是很常见的人工神经网络了,相当于让原始数据通过一个映射来得到我们想要的输出数据,也就是我们今天要讲的话题。

  本文直接举一个例子,带入数值演示反向传播法的过程,其实也很简单,感兴趣的同学可以自己推导下试试:)(注:本文假设你已经懂得基本的神经网络构成,如果完全不懂,可以参考Poll写的笔记:[Mechine Learning & Algorithm] 神经网络基础

  假设,你有这样一个网络层:

  第一层是输入层,包含两个神经元i1,i2,和截距项b1;第二层是隐含层,包含两个神经元h1,h2和截距项b2,第三层是输出o1,o2,每条线上标的wi是层与层之间连接的权重,激活函数我们默认为sigmoid函数。

  现在对他们赋上初值,如下图:

  其中,输入数据  i1=0.05,i2=0.10;

     输出数据 o1=0.01,o2=0.99;

     初始权重  w1=0.15,w2=0.20,w3=0.25,w4=0.30;

           w5=0.40,w6=0.45,w7=0.50,w8=0.55

       目标:给出输入数据i1,i2(0.05和0.10),使输出尽可能与原始输出o1,o2(0.01和0.99)接近。

Step 1 前向传播

  1.输入层—->隐含层:

  计算神经元h1的输入加权和:

       神经元h1的输出o1:(此处用到激活函数为sigmoid函数):

     同理,可计算出神经元h2的输出o2:

  

 2.隐含层—->输出层:

  计算输出层神经元o1和o2的值: 

       这样前向传播的过程就结束了,我们得到输出值为[0.75136079 , 0.772928465],与实际值[0.01 , 0.99]相差还很远,现在我们对误差进行反向传播,更新权值,重新计算输出。

Step 2 反向传播

1.计算总误差

       总误差:(square error)

       但是有两个输出,所以分别计算o1和o2的误差,总误差为两者之和:

      

2.隐含层—->输出层的权值更新:

       以权重参数w5为例,如果我们想知道w5对整体误差产生了多少影响,可以用整体误差对w5求偏导求出:(链式法则)

       下面的图可以更直观的看清楚误差是怎样反向传播的:

      现在我们来分别计算每个式子的值:

     计算

       计算

(这一步实际上就是对sigmoid函数求导,比较简单,可以自己推导一下)

        计算

        最后三者相乘:

       这样我们就计算出整体误差E(total)对w5的偏导值。

      回过头来再看看上面的公式,我们发现:

      为了表达方便,用来表示输出层的误差:

     因此,整体误差E(total)对w5的偏导公式可以写成:

     如果输出层误差计为负的话,也可以写成:

     最后我们来更新w5的值:

(其中,是学习速率,这里我们取0.5)

同理,可更新w6,w7,w8:

3.隐含层—->隐含层的权值更新:

     方法其实与上面说的差不多,但是有个地方需要变一下,在上文计算总误差对w5的偏导时,是从out(o1)—->net(o1)—->w5,但是在隐含层之间的权值更新时,是out(h1)—->net(h1)—->w1,而out(h1)会接受E(o1)和E(o2)两个地方传来的误差,所以这个地方两个都要计算。

      计算

       先计算

同理,计算出:

          

两者相加得到总值:

再计算

再计算

最后,三者相乘:

 为了简化公式,用sigma(h1)表示隐含层单元h1的误差:

最后,更新w1的权值:

同理,额可更新w2,w3,w4的权值:

       这样误差反向传播法就完成了,最后我们再把更新的权值重新计算,不停地迭代,在这个例子中第一次迭代之后,总误差E(total)由0.298371109下降至0.291027924。迭代10000次后,总误差为0.000035085,输出为[0.015912196,0.984065734](原输入为[0.01,0.99]),证明效果还是不错的。

BP算法改进

BP算法易形成局部极小而得不到全局最优,训练次数多使得学习效率低,存在收敛速度慢等问题。

       传统的BP算法改进主要有两类:

                 启发式算法:如附加动量法,自适应算法。

                 数值优化算法:如共轭梯度法、牛顿迭代法等。

1,附加动量项

       这是一种广泛用于加速梯度下降法收敛的优化方法。附加动量法面临学习率的选取的困难,进而产生收敛速度与收敛性之间的矛盾。

       核心思想:在梯度下降搜索时,若当前梯度下降与之前梯度下降方向相同,则加速搜索,反之则减速搜索。

       标准BP算法的参数更新项为:

                               ∆ω(t)= ηg(t)

       式中,∆ω(t)为第t次迭代的参数调整量,η为学习率,g(t)为第t次迭代所计算出的梯度。

       添加动量项之后,基于梯度下降的参数更新为:

                             ∆ωt= ηgt+α∆ωt-1

       式中α被称为动量系数,一般α∈(0,1),α∆ω(t-1)代表之前梯度下降的方向和大小信息对当前梯度下降的调整作用。

2,自适应学习率

      核心思想:自适应改变学习率,使其根据环境变化增大或减小。

              ηt=σ(t)η(t-1)

     上式中,σ(t)为第 t 次迭代时的自适应学习速率因子。

3,引入陡度因子

     核心思想:如果在调整进入平坦区后,设法压缩神经元的净输入,使其输出退出激活函数的不饱和区,就可以改变误差函数的形状,从而使调整脱离平坦区。

在原激活函数中引入一个陡度因子λ

                                                        o=\frac{1}{1+e^{-\frac{net}{\lambda }}}

  

代码(Python):

   #coding:utf-8
   import random
   import math
   
  #
  #   参数解释:
  #   "pd_" :偏导的前缀
  #   "d_" :导数的前缀
  #   "w_ho" :隐含层到输出层的权重系数索引
  #   "w_ih" :输入层到隐含层的权重系数的索引
  
  class NeuralNetwork:
      LEARNING_RATE = 0.5
  
      def __init__(self, num_inputs, num_hidden, num_outputs, hidden_layer_weights =None,hidden_layer_bias = None, output_layer_weights = None, output_layer_bias = None):
          self.num_inputs = num_inputs

          self.hidden_layer = NeuronLayer(num_hidden, hidden_layer_bias)
          self.output_layer = NeuronLayer(num_outputs, output_layer_bias)
  
          self.init_weights_from_inputs_to_hidden_layer_neurons(hidden_layer_weights)
          self.init_weights_from_hidden_layer_neurons_to_output_layer_neurons(output_layer_weights)
  
      def init_weights_from_inputs_to_hidden_layer_neurons(self, hidden_layer_weights):
          weight_num = 0
          for h in range(len(self.hidden_layer.neurons)):
              for i in range(self.num_inputs):
                  if not hidden_layer_weights:
                      self.hidden_layer.neurons[h].weights.append(random.random())
                  else:
                      self.hidden_layer.neurons[h].weights.append(hidden_layer_weights[weight_num])
                  weight_num += 1
  
      def init_weights_from_hidden_layer_neurons_to_output_layer_neurons(self, output_layer_weights):
          weight_num = 0
          for o in range(len(self.output_layer.neurons)):
              for h in range(len(self.hidden_layer.neurons)):
                  if not output_layer_weights:
                      self.output_layer.neurons[o].weights.append(random.random())
                  else:
                      self.output_layer.neurons[o].weights.append(output_layer_weights[weight_num])
                  weight_num += 1
  
      def inspect(self):
          print('------')
          print('* Inputs: {}'.format(self.num_inputs))
          print('------')
          print('Hidden Layer')
          self.hidden_layer.inspect()
          print('------')
          print('* Output Layer')
          self.output_layer.inspect()
          print('------')
  
      def feed_forward(self, inputs):
          hidden_layer_outputs = self.hidden_layer.feed_forward(inputs)
          return self.output_layer.feed_forward(hidden_layer_outputs)
 
      def train(self, training_inputs, training_outputs):
          self.feed_forward(training_inputs)
  
          # 1. 输出神经元的值
          pd_errors_wrt_output_neuron_total_net_input = [0] * len(self.output_layer.neurons)
          for o in range(len(self.output_layer.neurons)):
  
              # ∂E/∂zⱼ
              pd_errors_wrt_output_neuron_total_net_input[o] = self.output_layer.neurons[o].calculate_pd_error_wrt_total_net_input(training_outputs[o])
  
          # 2. 隐含层神经元的值
          pd_errors_wrt_hidden_neuron_total_net_input = [0] * len(self.hidden_layer.neurons)
        for h in range(len(self.hidden_layer.neurons)):
  
              # dE/dyⱼ = Σ ∂E/∂zⱼ * ∂z/∂yⱼ = Σ ∂E/∂zⱼ * wᵢⱼ
              d_error_wrt_hidden_neuron_output = 0
              for o in range(len(self.output_layer.neurons)):
                  d_error_wrt_hidden_neuron_output += pd_errors_wrt_output_neuron_total_net_input[o] * self.output_layer.neurons[o].weights[h]
  
              # ∂E/∂zⱼ = dE/dyⱼ * ∂zⱼ/∂
              pd_errors_wrt_hidden_neuron_total_net_input[h] = d_error_wrt_hidden_neuron_output * self.hidden_layer.neurons[h].calculate_pd_total_net_input_wrt_input()
  
          # 3. 更新输出层权重系数
         for o in range(len(self.output_layer.neurons)):
             for w_ho in range(len(self.output_layer.neurons[o].weights)):
  
                  # ∂Eⱼ/∂wᵢⱼ = ∂E/∂zⱼ * ∂zⱼ/∂wᵢⱼ
                  pd_error_wrt_weight = pd_errors_wrt_output_neuron_total_net_input[o] * self.output_layer.neurons[o].calculate_pd_total_net_input_wrt_weight(w_ho)
 
                  # Δw = α * ∂Eⱼ/∂wᵢ
                  self.output_layer.neurons[o].weights[w_ho] -= self.LEARNING_RATE * pd_error_wrt_weight
 
         # 4. 更新隐含层的权重系数
          for h in range(len(self.hidden_layer.neurons)):
              for w_ih in range(len(self.hidden_layer.neurons[h].weights)):
  
                  # ∂Eⱼ/∂wᵢ = ∂E/∂zⱼ * ∂zⱼ/∂wᵢ
                  pd_error_wrt_weight = pd_errors_wrt_hidden_neuron_total_net_input[h] * self.hidden_layer.neurons[h].calculate_pd_total_net_input_wrt_weight(w_ih)
  
                  # Δw = α * ∂Eⱼ/∂wᵢ
                  self.hidden_layer.neurons[h].weights[w_ih] -= self.LEARNING_RATE * pd_error_wrt_weight
 
     def calculate_total_error(self, training_sets):
         total_error = 0
         for t in range(len(training_sets)):
             training_inputs, training_outputs = training_sets[t]
             self.feed_forward(training_inputs)
             for o in range(len(training_outputs)):
                 total_error += self.output_layer.neurons[o].calculate_error(training_outputs[o])
         return total_error
 
 class NeuronLayer:
     def __init__(self, num_neurons, bias):
 
         # 同一层的神经元共享一个截距项b
         self.bias = bias if bias else random.random()
 
         self.neurons = []
         for i in range(num_neurons):
             self.neurons.append(Neuron(self.bias))
 
     def inspect(self):
         print('Neurons:', len(self.neurons))
         for n in range(len(self.neurons)):
             print(' Neuron', n)
             for w in range(len(self.neurons[n].weights)):
                 print('  Weight:', self.neurons[n].weights[w])
             print('  Bias:', self.bias)
 
     def feed_forward(self, inputs):
         outputs = []
         for neuron in self.neurons:
             outputs.append(neuron.calculate_output(inputs))
         return outputs
 
     def get_outputs(self):
         outputs = []
         for neuron in self.neurons:
             outputs.append(neuron.output)
         return outputs
 
 class Neuron:
     def __init__(self, bias):
         self.bias = bias
         self.weights = []
 
     def calculate_output(self, inputs):
         self.inputs = inputs
         self.output = self.squash(self.calculate_total_net_input())
        return self.output
 
     def calculate_total_net_input(self):
         total = 0
         for i in range(len(self.inputs)):
             total += self.inputs[i] * self.weights[i]
         return total + self.bias
 
     # 激活函数sigmoid
     def squash(self, total_net_input):
         return 1 / (1 + math.exp(-total_net_input))
 
 
     def calculate_pd_error_wrt_total_net_input(self, target_output):
         return self.calculate_pd_error_wrt_output(target_output) * self.calculate_pd_total_net_input_wrt_input();
 
     # 每一个神经元的误差是由平方差公式计算的
     def calculate_error(self, target_output):
         return 0.5 * (target_output - self.output) ** 2
 
     
     def calculate_pd_error_wrt_output(self, target_output):
         return -(target_output - self.output)
 
     
     def calculate_pd_total_net_input_wrt_input(self):
         return self.output * (1 - self.output)
 
 
     def calculate_pd_total_net_input_wrt_weight(self, index):
         return self.inputs[index]
 
 
 # 文中的例子:
 
nn = NeuralNetwork(2, 2, 2, hidden_layer_weights=[0.15, 0.2, 0.25, 0.3],hidden_layer_bias=0.35, output_layer_weights=[0.4, 0.45, 0.5, 0.55],output_layer_bias=0.6)
  for i in range(10000):
     nn.train([0.05, 0.1], [0.01, 0.09])
     print(i, round(nn.calculate_total_error([[[0.05, 0.1], [0.01, 0.09]]]), 9))

 #另外一个例子,可以把上面的例子注释掉再运行一下:

 # training_sets = [
 #     [[0, 0], [0]],
 #     [[0, 1], [1]],
 #     [[1, 0], [1]],
 #     [[1, 1], [0]]
 # ]
 
 # nn = NeuralNetwork(len(training_sets[0][0]), 5, len(training_sets[0][1]))
 # for i in range(10000):
 #     training_inputs, training_outputs = random.choice(training_sets)
 #     nn.train(training_inputs, training_outputs)
 #     print(i, nn.calculate_total_error(training_sets))
 

原文出自:https://blog.csdn.net/zhaomengszu/article/details/77834845

参考文献:

1.Poll的笔记:[Mechine Learning & Algorithm] 神经网络基础(http://www.cnblogs.com/maybe2030/p/5597716.html#3457159 )

2.Rachel_Zhang:http://blog.csdn.net/abcjennifer/article/details/7758797

3.http://www.cedar.buffalo.edu/%7Esrihari/CSE574/Chap5/Chap5.3-BackProp.pdf

4.https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example/

猜你喜欢

转载自blog.csdn.net/qq_42570457/article/details/81454008