Backpropagation
来源:互联网 发布:网络打印机搜索不到 编辑:程序博客网 时间:2024/05/29 04:56
Backpropagation
@[深度学习, 向后传播算法]
- Backpropagation
- 代价函数相关的两个假设
- Hadamard product
- Backpropagation的四个基本等式
- 证明
- backpropagation算法
这里
代价函数相关的两个假设
backpropagation的目标就是计算代价函数对
二次代价函数的形式:
- 假设1:代价函数能够被写成
C=1n∑xCx ,需要这个假设的原因是backpropagation实际上需要我们计算的是对单个训练样本的偏导(∂Cx∂w 和∂Cx∂b ) - 假设2:代价函数能够被写成神经网络输出的函数
例如:二次代价函数能够写成:
Hadamard product
Backpropagation的四个基本等式
backpropagation是为了理解在神经网络中改变weights和biases是怎样改变代价函数,最终,意味着计算偏导
为了计算偏导,我们首先计算中间量,
backpropagation给了一个对每层计算
误差在输出层的等式
*
*
*
* 当
C=12∑j(yj−aj)2
∂C∂aLj=(aj−yj)
δL=∇aC⊙σ′(zL).(BP1a)
二次代价函数的δL
δL=(aL−y)⊙σ′(zL)
在式子中都有较好的向量形式,因此容易利用Numpy等库进行计算
下一层误差等式,
总结而言:
* 当输出神经元的状态是low-activation或者sturated时,weight将会缓慢的学习
* 这四个公式对任何形式的激活函数都有用
An equation for the rate of change of the cost with respect to any bias in the network:
An equation for the rate of change of the cost with respect to any weight in the network
证明
(BP1)
δLj=∂C∂zLj
链式法则
δLj=∂C∂aLj∂aLj∂zLj
(BP2)
δlj=∂C∂zlj=∑k∂C∂zl+1k∂zl+1k∂zlj=∑k∂zl+1k∂zljδl+1k,(链式法则)(a)(b)
zl+1k=∑jwl+1kjalj+bl+1k=∑jwl+1kjσ(zlj)+bl+1k
(BP3)
∂C∂blj=∂C∂zlj∂zlj∂blj
∂zlj∂blj=1
(BP4)
∂C∂wljk=∂C∂zlj∂zlj∂wljk(链式法则)
zlj=∑kwljkal−1k+blj
backpropagation算法
backpropagation equations 提供了一个计算代价函数梯度的方式
- 输入 x :设置相应的 activation
a1 为输入层- Feedforward: 对每一层
l=2,3,...,L 计算zl=wlal−1+bl 和al=σ(zl) - Output error (输出层误差) : 计算向量
δL=∇aC⊙σ′(zL) - Backpropagate the error : 对每一层
l=L−1,L−2,...,2 计算δl=((wl+1)Tδl+1)⊙σ′(zl) - 输出 : 计算代价函数的梯度,通过
∂C∂wljk=al−1kδlj和∂C∂blj=δjl
mini-batch:(随机梯度下降结合backpropagation)
1. 输入一组训练样本
2. 对每个训练样本:设置相应的输入激活元
- Feedforward: 对每一层
- Output error (输出层误差) : 计算向量
- Backpropagate the error : 对每一层
3. 梯度下降 : 对每一层
- Backpropagation
- backpropagation
- Backpropagation
- Backpropagation
- Backpropagation
- backpropagation
- Backpropagation, Intuitions
- BackPropagation算法
- [Machine_Learning]--Backpropagation
- backpropagation algorithm
- backpropagation,intuitions
- Backpropagation Algorithm
- Backpropagation算法
- Resilient Backpropagation
- Machine Learning---Backpropagation
- Sparse Autoencoder2-Backpropagation Algorithm
- Study notes for Backpropagation
- Neural Netowrk : BackPropagation
- 阿里RocketMQ Quick Start
- 接口和抽象类有什么区别
- 深入了解Java之六(JDBC)
- 2015年总结
- ubuntu下源码安装apache
- Backpropagation
- ISO -touches 手势移动限位
- AndroidStudio快捷键
- Euclid‘s algorithm
- 支撑Spring的基础技术:反射,动态代理,cglib等
- Spring连接两个以上数据库
- vm下centos网络配置(转)
- PAT-A1058 A+B in Hogwarts (20)(模拟)
- 决策树