devbox
思考机器5
这个屌丝很懒，什么也没留下！
关注作者
热门标签
热门文章
当前位置:   article > 正文

反向传播算法（过程及公式推导）_反向传播算法(过程及公式推导)

作者：思考机器5 | 2024-02-04 21:25:52

赞

踩

反向传播算法(过程及公式推导)
        反向传播算法（Backpropagation）是目前用来训练人工神经网络（Artificial Neural Network，ANN）的最常用且最有效的算法。其主要思想是：
（1）将训练集数据输入到ANN的输入层，经过隐藏层，最后达到输出层并输出结果，这是ANN的前向传播过程；
（2）由于ANN的输出结果与实际结果有误差，则计算估计值与实际值之间的误差，并将该误差从输出层向隐藏层反向传播，直至传播到输入层；
（3）在反向传播的过程中，根据误差调整各种参数的值；不断迭代上述过程，直至收敛。

        反向传播算法的思想比较容易理解，但具体的公式则要一步步推导，因此本文着重介绍公式的推导过程。


1. 变量定义

        上图是一个三层人工神经网络，layer1至layer3分别是输入层、隐藏层和输出层。如图，先定义一些变量：
        表示第层的第个神经元连接到第层的第个神经元的权重；
        表示第层的第个神经元的偏置；
        表示第层的第个神经元的输入，即：
        表示第层的第个神经元的输出，即：
        其中表示激活函数。

2. 代价函数

        代价函数被用来计算ANN输出值与实际值之间的误差。常用的代价函数是二次代价函数（Quadratic cost function）：

        其中，表示输入的样本，表示实际的分类，表示预测的输出，表示神经网络的最大层数。

3. 公式及其推导

        本节将介绍反向传播算法用到的4个公式，并进行推导。如果不想了解公式推导过程，请直接看第4节的算法步骤。
        首先，将第层第个神经元中产生的错误（即实际值与预测值之间的误差）定义为：


        本文将以一个输入样本为例进行说明，此时代价函数表示为：


公式1（计算最后一层神经网络产生的错误）：



        其中，表示Hadamard乘积，用于矩阵或向量之间点对点的乘法运算。 公式1的推导过程如下：



公式2（由后往前，计算每一层神经网络产生的错误）：



        推导过程：


公式3（计算权重的梯度）：



        推导过程：



公式4（计算偏置的梯度）：



        推导过程：



4. 反向传播算法伪代码
  • 输入训练集
  • 对于训练集中的每个样本x，设置输入层（Input layer）对应的激活值：
    • 前向传播：
， 
    • 计算输出层产生的错误：
    • 反向传播错误：

  • 使用梯度下降（gradient descent），训练参数：
 








声明：本文内容由网友自发贡献，不代表【wpsshop博客】立场，版权归原作者所有，本站不承担相应法律责任。如您发现有侵权的内容，请联系我们。转载请注明出处：https://www.wpsshop.cn/article/detail/59931
推荐阅读
相关标签

Copyright © 2003-2013 www.wpsshop.cn 版权所有，并保留所有权利。

  

闽ICP备14008679号