反向传播算法(过程及公式推导)
来源:互联网 发布:小学免费教学软件 编辑:程序博客网 时间:2024/06/06 12:46
反向传播算法(Backpropagation)是目前用来训练人工神经网络(Artificial Neural Network,ANN)的最常用且最有效的算法。其主要思想是:
(1)将训练集数据输入到ANN的输入层,经过隐藏层,最后达到输出层并输出结果,这是ANN的前向传播过程;
(2)由于ANN的输出结果与实际结果有误差,则计算估计值与实际值之间的误差,并将该误差从输出层向隐藏层反向传播,直至传播到输入层;
(3)在反向传播的过程中,根据误差调整各种参数的值;不断迭代上述过程,直至收敛。
反向传播算法的思想比较容易理解,但具体的公式则要一步步推导,因此本文着重介绍公式的推导过程。
1. 变量定义
上图是一个三层人工神经网络,layer1至layer3分别是输入层、隐藏层和输出层。如图,先定义一些变量:
表示第层的第个神经元连接到第层的第个神经元的权重;
表示第层的第个神经元的偏置;
表示第层的第个神经元的输入,即:
表示第层的第个神经元的输出,即:
其中表示激活函数。
2. 代价函数
代价函数被用来计算ANN输出值与实际值之间的误差。常用的代价函数是二次代价函数(Quadratic cost function):
其中,表示输入的样本,表示实际的分类,表示预测的输出,表示神经网络的最大层数。
3. 公式及其推导
本节将介绍反向传播算法用到的4个公式,并进行推导。如果不想了解公式推导过程,请直接看第4节的算法步骤。
首先,将第层第个神经元中产生的错误(即实际值与预测值之间的误差)定义为:
本文将以一个输入样本为例进行说明,此时代价函数表示为:
公式1(计算最后一层神经网络产生的错误):
其中,表示Hadamard乘积,用于矩阵或向量之间点对点的乘法运算。公式1的推导过程如下:
公式2(由后往前,计算每一层神经网络产生的错误):
推导过程:
公式3(计算权重的梯度):
推导过程:
公式4(计算偏置的梯度):
推导过程:
4. 反向传播算法伪代码
- 输入训练集
- 对于训练集中的每个样本x,设置输入层(Input layer)对应的激活值:
- 前向传播:
,
- 计算输出层产生的错误:
- 反向传播错误:
- 使用梯度下降(gradient descent),训练参数:
原文地址:http://m.blog.csdn.net/article/details?id=51039334
0 0
- 反向传播算法(过程及公式推导)
- 反向传播算法(过程及公式推导)
- 反向传播算法(过程及公式推导)
- 反向传播算法(过程及公式推导)
- 反向传播算法(过程及公式推导)
- 反向传播算法(过程及公式推导)
- 反向传播算法的公式推导(BP算法)
- 经典反向传播算法公式详细推导
- 反向传播算法公式的推导
- 手写,纯享版反向传播算法公式推导
- 神经网络反向传播算法公式推导详解
- 前馈神经网络与反向传播算法(推导过程)
- 反向传播及softmax算法推导
- CNN反向传播公式推导
- CNN反向传播公式推导
- 反向传播算法推导
- BP神经网络,BP推导过程,反向传播算法,误差反向传播,梯度下降,权值阈值更新推导,隐含层权重更新公式
- 卷积神经网络(CNN)反向传播算法公式详细推导
- windows核心编程摘抄内 核 对 象
- 使用Zipkin和Brave 实现dubbo服务调用跟踪
- springMvc 通用mapper的使用
- java命名
- Ubuntu下安装usbview
- 反向传播算法(过程及公式推导)
- 调用百度大脑智能里的文字识别实现图片识别
- CSS栅格系统与弹性盒模型:实践比较
- [讨论] AUTOCAD二次开发简介
- ASCII码的由来
- ajax传参失败
- 文章标题
- java 类
- Tomcat配置与优化(内存、并发、管理)