一文弄懂神經網路中的反向傳播法——BackPropagation

02-14

　　最近在看深度學習的東西，一開始看的吳恩達的UFLDL教程，有中文版就直接看了，後來發現有些地方總是不是很明確，又去看英文版，然後又找了些資料看，才發現，中文版的譯者在翻譯的時候會對省略的公式推導過程進行補充，但是補充的又是錯的，難怪覺得有問題。反向傳播法其實是神經網路的基礎了，但是很多人在學的時候總是會遇到一些問題，或者看到大篇的公式覺得好像很難就退縮了，其實不難，就是一個鏈式求導法則反覆用。如果不想看公式，可以直接把數值帶進去，實際的計算一下，體會一下這個過程之後再來推導公式，這樣就會覺得很容易了。

　　說到神經網路，大家看到這個圖應該不陌生：

　　這是典型的三層神經網路的基本構成，Layer L1是輸入層，Layer L2是隱含層，Layer L3是隱含層，我們現在手裡有一堆數據{x1,x2,x3,...,xn},輸出也是一堆數據{y1,y2,y3,...,yn},現在要他們在隱含層做某種變換，讓你把數據灌進去後得到你期望的輸出。如果你希望你的輸出和原始輸入一樣，那麼就是最常見的自編碼模型（Auto-Encoder）。可能有人會問，為什麼要輸入輸出都一樣呢？有什麼用啊？其實應用挺廣的，在圖像識別，文本分類等等都會用到，我會專門再寫一篇Auto-Encoder的文章來說明，包括一些變種之類的。如果你的輸出和原始輸入不一樣，那麼就是很常見的人工神經網路了，相當於讓原始數據通過一個映射來得到我們想要的輸出數據，也就是我們今天要講的話題。

　　本文直接舉一個例子，帶入數值演示反向傳播法的過程，公式的推導等到下次寫Auto-Encoder的時候再寫，其實也很簡單，感興趣的同學可以自己推導下試試：）（註：本文假設你已經懂得基本的神經網路構成，如果完全不懂，可以參考Poll寫的筆記：[Mechine Learning & Algorithm] 神經網路基礎）

　　假設，你有這樣一個網路層：

　　第一層是輸入層，包含兩個神經元i1，i2，和截距項b1；第二層是隱含層，包含兩個神經元h1,h2和截距項b2，第三層是輸出o1,o2，每條線上標的wi是層與層之間連接的權重，激活函數我們默認為sigmoid函數。

　　現在對他們賦上初值，如下圖：

　　其中，輸入數據 i1=0.05，i2=0.10;

　　　　　輸出數據 o1=0.01,o2=0.99;

　　　　　初始權重 w1=0.15,w2=0.20,w3=0.25,w4=0.30;

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

　　目標：給出輸入數據i1,i2(0.05和0.10)，使輸出儘可能與原始輸出o1,o2(0.01和0.99)接近。

Step 1 前向傳播

1.輸入層---->隱含層：

　　計算神經元h1的輸入加權和：

神經元h1的輸出o1:(此處用到激活函數為sigmoid函數)：

　　同理，可計算出神經元h2的輸出o2：

　2.隱含層---->輸出層：

　　計算輸出層神經元o1和o2的值：

這樣前向傳播的過程就結束了，我們得到輸出值為[0.75136079 , 0.772928465]，與實際值[0.01 , 0.99]相差還很遠，現在我們對誤差進行反向傳播，更新權值，重新計算輸出。

Step 2 反向傳播

1.計算總誤差

總誤差：(square error)

但是有兩個輸出，所以分別計算o1和o2的誤差，總誤差為兩者之和：

2.隱含層---->輸出層的權值更新：

以權重參數w5為例，如果我們想知道w5對整體誤差產生了多少影響，可以用整體誤差對w5求偏導求出：（鏈式法則）

下面的圖可以更直觀的看清楚誤差是怎樣反向傳播的：

現在我們來分別計算每個式子的值：

計算

：

計算

：

（這一步實際上就是對sigmoid函數求導，比較簡單，可以自己推導一下）

計算

：

最後三者相乘：

這樣我們就計算出整體誤差E(total)對w5的偏導值。

回過頭來再看看上面的公式，我們發現：

為了表達方便，用

來表示輸出層的誤差：

因此，整體誤差E(total)對w5的偏導公式可以寫成：

如果輸出層誤差計為負的話，也可以寫成：

最後我們來更新w5的值：

（其中，

是學習速率，這裡我們取0.5）

同理，可更新w6,w7,w8:

3.隱含層---->隱含層的權值更新：

　方法其實與上面說的差不多，但是有個地方需要變一下，在上文計算總誤差對w5的偏導時，是從out(o1)---->net(o1)---->w5,但是在隱含層之間的權值更新時，是out(h1)---->net(h1)---->w1,而out(h1)會接受E(o1)和E(o2)兩個地方傳來的誤差，所以這個地方兩個都要計算。

計算

：

先計算

：

同理，計算出：

兩者相加得到總值：

再計算

：

再計算

：

最後，三者相乘：

為了簡化公式，用sigma(h1)表示隱含層單元h1的誤差：

最後，更新w1的權值：

同理，額可更新w2,w3,w4的權值：

　　這樣誤差反向傳播法就完成了，最後我們再把更新的權值重新計算，不停地迭代，在這個例子中第一次迭代之後，總誤差E(total)由0.298371109下降至0.291027924。迭代10000次後，總誤差為0.000035085，輸出為[0.015912196,0.984065734](原輸入為[0.01,0.99]),證明效果還是不錯的。

代碼(Python):

#coding:utf-8import randomimport math## 參數解釋：# "pd_" ：偏導的前綴# "d_" ：導數的前綴# "w_ho" ：隱含層到輸出層的權重係數索引# "w_ih" ：輸入層到隱含層的權重係數的索引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. 輸出神經元的值 pd_errors_wrt_output_neuron_total_net_input = [0] * len(self.output_layer.neurons) for o in range(len(self.output_layer.neurons)): # ?E/?z? 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. 隱含層神經元的值 pd_errors_wrt_hidden_neuron_total_net_input = [0] * len(self.hidden_layer.neurons) for h in range(len(self.hidden_layer.neurons)): # dE/dy? = Σ ?E/?z? * ?z/?y? = Σ ?E/?z? * w?? 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/?z? = dE/dy? * ?z?/? 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. 更新輸出層權重係數 for o in range(len(self.output_layer.neurons)): for w_ho in range(len(self.output_layer.neurons[o].weights)): # ?E?/?w?? = ?E/?z? * ?z?/?w?? 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 * ?E?/?w? self.output_layer.neurons[o].weights[w_ho] -= self.LEARNING_RATE * pd_error_wrt_weight # 4. 更新隱含層的權重係數 for h in range(len(self.hidden_layer.neurons)): for w_ih in range(len(self.hidden_layer.neurons[h].weights)): # ?E?/?w? = ?E/?z? * ?z?/?w? 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 * ?E?/?w? 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_errorclass NeuronLayer: def __init__(self, num_neurons, bias): # 同一層的神經元共享一個截距項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 outputsclass 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 # 激活函數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(); # 每一個神經元的誤差是由平方差公式計算的 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))#另外一個例子，可以把上面的例子注釋掉再運行一下:# 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))

最後寫到這裡就結束了，現在還不會用latex編輯數學公式，本來都直接想寫在草稿紙上然後掃描了傳上來，但是覺得太影響閱讀體驗了。以後會用公式編輯器後再重把公式重新編輯一遍。穩重使用的是sigmoid激活函數，實際還有幾種不同的激活函數可以選擇，具體的可以參考文獻[3]，最後推薦一個在線演示神經網路變化的網址：http://www.emergentmind.com/neural-network，可以自己填輸入輸出，然後觀看每一次迭代權值的變化，很好玩~如果有錯誤的或者不懂的歡迎留言：）

參考文獻：

1.Poll的筆記：[Mechine Learning & Algorithm] 神經網路基礎（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

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

作者：胡曉曼 Python愛好者社區專欄作者，請勿轉載，謝謝。
博客專欄：CharlotteDataMining的博客專欄
配套視頻教程：三個月教你從零入門深度學習！| 深度學習精華實踐課程
公眾號：Python愛好者社區（微信ID：python_shequ），關注，查看更多連載內容。