深度学习Matlab工具箱代码注释——cnnbp.m

%%=========================================================================%函数名称：cnnbp（）%输入参数：net，呆训练的神经网络；y，训练样本的标签，即期望输出%输出参数：net，经过BP算法训练得到的神经网络%主要功能：通过BP算法训练神经网络参数%实现步骤：1）将输出的残差扩展成与最后一层的特征map相同的尺寸形式%         2）如果是卷积层，则进行上采样%         3）如果是下采样层，则进行下采样%         4）采用误差传递公式对灵敏度进行反向传递%注意事项：1）从最后一层的error倒推回来deltas，和神经网络的BP十分相似，可以参考“UFLDL的反向传导算法”的说明%         2）在fvd里面保存的是所有样本的特征向量（在cnnff.m函数中用特征map拉成的），所以这里需要重新换回来特征map的形式，%            d保存的是delta，也就是灵敏度或者残差%         3）net.o .* (1 - net.o))代表输出层附加的非线性函数的导数，即sigm函数的导数%%=========================================================================function net = cnnbp(net, y)n     = numel(net.layers);                         %网络层数net.e = net.o - y;                                 %实际输出与期望输出之间的误差net.L = 1/2* sum(net.e(:) .^ 2) / size(net.e, 2);  %代价函数，采用均方误差函数作为代价函数net.od = net.e .* (net.o .* (1 - net.o));          %输出层的灵敏度或者残差,(net.o .* (1 - net.o))代表输出层的激活函数的导数net.fvd = (net.ffW' * net.od);                     %残差反向传播回前一层,net.fvd保存的是残差if strcmp(net.layers{n}.type, 'c')                 %只有卷积层采用sigm函数    net.fvd = net.fvd .* (net.fv .* (1 - net.fv)); %net.fv是前一层的输出（未经过simg函数），作为输出层的输入end%%%%%%%%%%%%%%%%%%%%将输出的残差扩展成与最后一层的特征map相同的尺寸形式%%%%%%%%%%%%%%%%%%%%sa    = size(net.layers{n}.a{1});           %最后一层特征map的大小。这里的最后一层都是指输出层的前一层fvnum = sa(1) * sa(2);                      %因为是将最后一层特征map拉成一条向量，所以对于一个样本来说，特征维数是这样for j = 1 : numel(net.layers{n}.a)          %最后一层的特征map的个数    net.layers{n}.d{j} = reshape(net.fvd(((j - 1) * fvnum + 1) : j * fvnum, :), sa(1), sa(2), sa(3));endfor l = (n - 1) : -1 : 1                    %对于输出层前面的层（与输出层计算残差的方式不同）    if strcmp(net.layers{l}.type, 'c')      %如果是卷积层，则进行上采样        for j = 1 : numel(net.layers{l}.a)  %该层特征map的个数            %%=========================================================================            %主要功能：卷积层的灵敏度误差传递            %注意事项：1）net.layers{l}.d{j} 保存的是 第l层 的 第j个 map 的 灵敏度map。 也就是每个神经元节点的delta的值            %            expand的操作相当于对l+1层的灵敏度map进行上采样。然后前面的操作相当于对该层的输入a进行sigmoid求导            %            这条公式请参考 Notes on Convolutional Neural Networks            %%=========================================================================            net.layers{l}.d{j} = net.layers{l}.a{j} .* (1 - net.layers{l}.a{j}) .* (expand(net.layers{l + 1}.d{j}, [net.layers{l + 1}.scale net.layers{l + 1}.scale 1]) / net.layers{l + 1}.scale ^ 2);        end    elseif strcmp(net.layers{l}.type, 's')            %如果是下采样层，则进行下采样        %%=========================================================================        %主要功能：下采样层的灵敏度误差传递        %注意事项：1）这条公式请参考 Notes on Convolutional Neural Networks        %%=========================================================================        for i = 1 : numel(net.layers{l}.a)            %第i层特征map的个数            z = zeros(size(net.layers{l}.a{1}));            for j = 1 : numel(net.layers{l + 1}.a)    %第l+1层特征map的个数                z = z + convn(net.layers{l + 1}.d{j}, rot180(net.layers{l + 1}.k{i}{j}), 'full');            end            net.layers{l}.d{i} = z;        end    endend%%=========================================================================%主要功能：计算梯度%实现步骤：%注意事项：1）这里与Notes on Convolutional Neural Networks中不同，这里的子采样层没有参数，也没有%            激活函数，所以在子采样层是没有需要求解的参数的%%=========================================================================for l = 2 : n    if strcmp(net.layers{l}.type, 'c')        for j = 1 : numel(net.layers{l}.a)            for i = 1 : numel(net.layers{l - 1}.a)                %%%%%%%%%%%%%%%%%%%%dk保存的是误差对卷积核的导数%%%%%%%%%%%%%%%%%%%%                net.layers{l}.dk{i}{j} = convn(flipall(net.layers{l - 1}.a{i}), net.layers{l}.d{j}, 'valid') / size(net.layers{l}.d{j}, 3);            end            %%%%%%%%%%%%%%%%%%%%db保存的是误差对于bias基的导数%%%%%%%%%%%%%%%%%%%%            net.layers{l}.db{j} = sum(net.layers{l}.d{j}(:)) / size(net.layers{l}.d{j}, 3);        end    endend%%%%%%%%%%%%%%%%%%%%最后一层perceptron的gradient的计算%%%%%%%%%%%%%%%%%%%%net.dffW = net.od * (net.fv)' / size(net.od, 2);net.dffb = mean(net.od, 2);    function X = rot180(X)        X = flipdim(flipdim(X, 1), 2);    endend

原文链接