【Machine Learning, Coursera】机器学习Week5 理解神经网络（四）

理解神经网络(Neural Networks)（四）

本节内容：神经网络算法实现的注意事项

1. Unrolling Parameters

神经网络算法需要处理一系列的矩阵：
$\Theta^{(1)},\Theta^{(2)},\Theta^{(3)},...$
$D^{(1)},D^{(2)},D^{(3)},...$
为了能够使用现有的优化函数，如matlab中的fminunc()，我们需要将矩阵中的元素“铺开”，使其变成一个长向量。下图提供了matlab中元素铺开和还原的代码。

总结：

$\\$

2. Gradient Checking

BP算法的实现非常复杂，大型的神经网络训练一次的时间成本是很大的。有时候我们的代码会出现一些后期调试难以发现的bug，我们需要在正式训练前修正它们，以免给后期调试带来麻烦。
梯度检验(gradient checking)就是一种验证算法是否存在问题的方法。它是对梯度的数值估计，它的原理是，对于连续函数$J(\theta)$和一个很小的$\epsilon$，有

$$J(\theta)≈\frac{J(\theta+\epsilon)-J(\theta-\epsilon)}{2\epsilon}$$

对于含有多个参数的$J(\theta)$，可分别对每个参数进行如下梯度检验：

总结：

在实现过程中尤其需要注意的一点是，在训练分类器之前一定要关闭梯度调试，否则会导致训练极其缓慢。

$\\$

3. Random Initialization

使用梯度下降算法或者其他高级优化算法都需要初始化参数$\Theta$。如果将所有参数全部初始化为0，会导致在每一层训练得到的激励值和误差值都相同，更新之后的参数值也都相同。这意味着我们只学习到了一种特征，这样的训练结果是没有意义的。

因此，我们需要随机初始化(random initialization)参数，其目的是打破对称。我们在某一特定范围内生成参数值，如$[-\epsilon,\epsilon]$. 这里的$\epsilon$和梯度检验的$\epsilon$无关。
具体用代码表示如下。Theta1生成一个10x11的矩阵，Theta2生成一个1x11的向量。