標籤:

一文弄懂神經網路中的反向傳播法——BackPropagation

  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:emergentmind.com/neural,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cnblogs.com/maybe2030/p

2.Rachel_Zhang:blog.csdn.net/abcjennif

3.cedar.buffalo.edu/%7Esr

mattmazur.com/2015/03/1

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。

推薦閱讀:

關鍵詞提取Part1(A Quick Review)
SRCNN 論文閱讀
讓我們一起來學習CNTK吧
關於不平衡數據集以及代價敏感學習的探討

TAG:機器學習 |