[机器学习] Coursera ML笔记

前言

　　本文是Neural network - Learning笔记的补充，给出了神经网络的标准梯度下降算法，欢迎大家讨论。

　　我在学习神经网络过程中的笔记共分为以下几个部分：
　　Neural network - Representation：神经网络的模型描述 ；
　　Neural network - Learning：神经网络的模型训练；
　　Neural network - Learning：标准梯度下降法；
　　Neural network - Code：神经网络的代码实现。

　　在阅读这部分笔记之前，请先阅读《[机器学习] Coursera ML笔记 - 神经网络（Representation）》和《[机器学习] Coursera ML笔记 - 神经网络（Learning）》这两篇笔记，以了解神经网络的模型描述，激活函数，前向传播、反向传播、参数优化等基础知识。
　　
　　

神经网络的标准梯度下降法

　　神经网络的关键是如何训练权重模型，在基于sgd的优化策略中，训练的关键是如何计算梯度。利用反向传播算法可以证明，无论损失函数（loss function）和激励函数（activation function）是什么，神经网络的梯度下降法在数学抽象形式上都是一致的。
　　下面给出我总结的标准梯度下降计算规则。

　　1. Deign network structure
　　2. Randomly initialize weights
　　Repeat {
　　　　3. Perform forward propagation to compute a^((l))
　　　　4. Perform back propagation to compute δ^((l))
　　　　　　For each unit i in layer =L , set:
　　　　　　

　　　　　　For each unit i in layer =L-1,L-2,L-2,…,2 , set:
　　　　　　

　　　　　　
　　　　5. Compute gradient:
　　　　

　　　　6. Update weight:
　　　　

　　　　7. Check: convergence? Or max iterations?
　　}　
　　

　　向量化计算版本：
　　1. Deign network structure
　　2. Randomly initialize weights
　　Repeat {
　　　　3. Perform forward propagation to compute a^((l))
　　　　4. Perform back propagation to compute δ^((l))
　　　　　　For each unit i in layer =L , set:
　　　　　　

　　　　　　
　　　　　　For each unit i in layer =L-1,L-2,L-2,…,2 , set:
　　　　　　

　　　　　　
　　　　5. Compute gradient:
　　　　

　　　　6. Update weight:
　　　　

　　　　7. Check: convergence? Or max iterations?
　　}　　　
　　
　　
　　供大家参考，欢迎批评指正交流！
　　后续文章会整理UFLDL-反向传播算法的笔记，会给出在不同loss function情况下的偏导数推导，可以看到，神经网络是很神奇的，可以看作是一种计算规则，无论损失函数（loss function）和激励函数（activation function）是什么，都可以归纳到一个统一的计算规则下！十分方便！也许这也是很多人批评深度学习缺少数学的原因吧！