全连接与逻辑回归（与logit的小关系）_逻辑回归的w初始值

全连接神经网络正向传播与梯度反向传播

转载自：https://www.cnblogs.com/mfryf/p/11381186.html
参考：https://zhuanlan.zhihu.com/p/30659982

链式法则

类型一：

类型二：

类型三：

逻辑回归的正、反向传播

逻辑回归可以看做最简单的神经网络（典型的二值分类器，用来处理两类分类问题），他只有一个神经元，损失函数选择的是对数损失，他的正向传播过程如下图所示：

接下来反向计算损失函数对每个变量的导数。如果你想直接求L对w1的导数是会产生很多重复计算的，回忆下链式求导法则就知道了。因此我们从右向左求导数，这样可以避免重复计算，也就是梯度反向传播的过程，如下图所示：

然后就可以更新w和b，更新模型了，即

逻辑回归的正、反向传播案例

假设最开始初始化$$w_1=0.3,w_2=0.4,b_1=1$$本轮训练样本为[(2,3),0]，损失函数选用的对数损失（交叉熵），如下图所示：
可以看出在当前模型参数下，正向传播后，损失为2.859

接下来，使用BP算法更新模型参数，其中$$\eta =0.1$$则如下图所示：


如果再进行正向传播计算损失的话，可以发现，损失从2.859降低到1.682：

全连接神经网络的正、反向传播

上面举了一个单神经元使用对数损失做分类的例子，这里为了描述全面，阐述一下多神经元做分类的情况，下图是全连接神经网络正向传播的过程：

接下来反向计算损失函数对每个变量的导数。也就是梯度反向传播的过程，如下图所示：
然后就可以更新w和b，更新模型了，即

全连接神经网络的正、反向传播案例

假设最开始初始化所有w都等于0.5，所有的b都等于1，本轮训练样本为[(2,3),0]，损失函数选用的对数损失，如下图所示：
可以看出在当前模型参数下，正向传播后，损失为2.017

接下来，使用BP算法更新模型参数，如下图所示：

如果再进行正向传播计算损失的话，可以发现，损失从2.017降低到1.83：

PS：Logit 模型和Logistic模型是一回事。
当我们说Logit模型 的时候，一般指的就是这个式子：
当我们说Logistic模型 的时候，一般指的是这个式子：
小结一下：
（1）Logit模型的左侧是Odds的对数，而Logistic模型的左侧是概率。
（2）Logit模型的右侧是一个线性结构，而Logistic模型的右侧是非线性的。
（3）二者可以相互转化。
Logit模型是基于效用理论推导出来的，而Logistic函数可以通过求解微分方程得到。两者最后竟然异曲同工——不得不承认数学的神奇！