最近這段時間系統(tǒng)性的學習了 BP 算法后寫下了這篇學習筆記，因為能力有限，若有明顯錯誤，還請指正。

什么是梯度下降和鏈式求導法則

假設我們有一個函數(shù) J(w)，如下圖所示。

 

梯度下降示意圖

現(xiàn)在，我們要求當 w 等于什么的時候，J(w) 能夠取到最小值。從圖中我們知道最小值在初始位置的左邊，也就意味著如果想要使 J(w) 最小，w的值需要減小。而初始位置的切線的斜率a > 0（也即該位置對應的導數(shù)大于0），w = w – a 就能夠讓 w 的值減小，循環(huán)求導更新w直到 J(w) 取得最小值。如果函數(shù)J(w)包含多個變量，那么就要分別對不同變量求偏導來更新不同變量的值。

所謂的鏈式求導法則，就是求復合函數(shù)的導數(shù)：

鏈式求導法則

放個例題，會更加明白一點：

鏈式求導的例子

神經(jīng)網(wǎng)絡的結構

神經(jīng)網(wǎng)絡由三部分組成，分別是最左邊的輸入層，隱藏層（實際應用中遠遠不止一層）和最右邊的輸出層。層與層之間用線連接在一起，每條連接線都有一個對應的權重值 w，除了輸入層，一般來說每個神經(jīng)元還有對應的偏置 b。

 

除了輸入層的神經(jīng)元，每個神經(jīng)元都會有加權求和得到的輸入值 z 和將 z 通過 Sigmoid 函數(shù)（也即是激活函數(shù)）非線性轉化后的輸出值 a，他們之間的計算公式如下

神經(jīng)元輸出值 a 的計算公式

其中，公式里面的變量l和j表示的是第 l 層的第 j 個神經(jīng)元，ij 則表示從第 i 個神經(jīng)元到第 j 個神經(jīng)元之間的連線，w 表示的是權重，b 表示的是偏置，后面這些符號的含義大體上與這里描述的相似，所以不會再說明。下面的 Gif 動圖可以更加清楚每個神經(jīng)元輸入輸出值的計算方式（注意，這里的動圖并沒有加上偏置，但使用中都會加上）

動圖顯示計算神經(jīng)元輸出值

使用激活函數(shù)的原因是因為線性模型（無法處理線性不可分的情況）的表達能力不夠，所以這里通常需要加入 Sigmoid 函數(shù)來加入非線性因素得到神經(jīng)元的輸出值。

 

可以看到 Sigmoid 函數(shù)的值域為 (0,1) ，若對于多分類任務，輸出層的每個神經(jīng)元可以表示是該分類的概率。當然還存在其他的激活函數(shù)，他們的用途和優(yōu)缺點也都各異。

BP 算法執(zhí)行的流程（前向傳遞和逆向更新）

在手工設定了神經(jīng)網(wǎng)絡的層數(shù)，每層的神經(jīng)元的個數(shù)，學習率 η（下面會提到）后，BP 算法會先隨機初始化每條連接線權重和偏置，然后對于訓練集中的每個輸入 x 和輸出 y，BP 算法都會先執(zhí)行前向傳輸?shù)玫筋A測值，然后根據(jù)真實值與預測值之間的誤差執(zhí)行逆向反饋更新神經(jīng)網(wǎng)絡中每條連接線的權重和每層的偏好。在沒有到達停止條件的情況下重復上述過程。

其中，停止條件可以是下面這三條

● 權重的更新低于某個閾值的時候

● 預測的錯誤率低于某個閾值

● 達到預設一定的迭代次數(shù)

譬如說，手寫數(shù)字識別中，一張手寫數(shù)字1的圖片儲存了28*28 = 784個像素點，每個像素點儲存著灰度值(值域為[0,255])，那么就意味著有784個神經(jīng)元作為輸入層，而輸出層有10個神經(jīng)元代表數(shù)字0~9，每個神經(jīng)元取值為0~1，代表著這張圖片是這個數(shù)字的概率。

每輸入一張圖片（也就是實例），神經(jīng)網(wǎng)絡會執(zhí)行前向傳輸一層一層的計算到輸出層神經(jīng)元的值，根據(jù)哪個輸出神經(jīng)元的值最大來預測輸入圖片所代表的手寫數(shù)字。

然后根據(jù)輸出神經(jīng)元的值，計算出預測值與真實值之間的誤差，再逆向反饋更新神經(jīng)網(wǎng)絡中每條連接線的權重和每個神經(jīng)元的偏好。

前向傳輸（Feed-Forward）

從輸入層=>隱藏層=>輸出層，一層一層的計算所有神經(jīng)元輸出值的過程。

逆向反饋（Back Propagation）

因為輸出層的值與真實的值會存在誤差，我們可以用均方誤差來衡量預測值和真實值之間的誤差。

均方誤差

逆向反饋的目標就是讓E函數(shù)的值盡可能的小，而每個神經(jīng)元的輸出值是由該點的連接線對應的權重值和該層對應的偏好所決定的，因此，要讓誤差函數(shù)達到最小，我們就要調整w和b值， 使得誤差函數(shù)的值最小。

權重和偏置的更新公式

對目標函數(shù) E 求 w 和 b 的偏導可以得到 w 和 b 的更新量，下面拿求 w 偏導來做推導。

其中 η 為學習率，取值通常為 0.1 ~ 0.3,可以理解為每次梯度所邁的步伐。注意到 w_hj 的值先影響到第 j 個輸出層神經(jīng)元的輸入值a，再影響到輸出值y，根據(jù)鏈式求導法則有：

使用鏈式法則展開對權重求偏導

根據(jù)神經(jīng)元輸出值 a 的定義有：

對函數(shù) z 求 w 的偏導

Sigmoid 求導數(shù)的式子如下，從式子中可以發(fā)現(xiàn)其在計算機中實現(xiàn)也是非常的方便：

Sigmoid 函數(shù)求導

所以

則權重 w 的更新量為：

類似可得 b 的更新量為：

但這兩個公式只能夠更新輸出層與前一層連接線的權重和輸出層的偏置，原因是因為 δ 值依賴了真實值y這個變量，但是我們只知道輸出層的真實值而不知道每層隱藏層的真實值，導致無法計算每層隱藏層的 δ 值，所以我們希望能夠利用 l+1 層的 δ 值來計算 l 層的 δ 值，而恰恰通過一些列數(shù)學轉換后可以做到，這也就是逆向反饋名字的由來，公式如下:

從式子中我們可以看到，我們只需要知道下一層的權重和神經(jīng)元輸出層的值就可以計算出上一層的 δ 值，我們只要通過不斷的利用上面這個式子就可以更新隱藏層的全部權重和偏置了。

在推導之前請先觀察下面這張圖：

 

首先我們看到 l 層的第 i 個神經(jīng)元與 l+1 層的所有神經(jīng)元都有連接，那么我們可以將 δ 展開成如下的式子：

也即是說我們可以將 E 看做是 l+1 層所有神經(jīng)元輸入值的 z 函數(shù)，而上面式子的 n 表示的是 l+1 層神經(jīng)元的數(shù)量，再進行化簡后就可以得到上面所說的式子。

在這里的推導過程只解釋了關鍵的部分。另外也參考了周志華所寫的機器學習中的神經(jīng)網(wǎng)絡部分的內容和 neural networks and deep learning的內容。

Python 源碼解析

源碼來自于 Michael Nielsen大神的深度學習在線教程。

使用 Python 實現(xiàn)的神經(jīng)網(wǎng)絡的代碼行數(shù)并不多，僅包含一個 Network 類，首先來看看該類的構造方法。

def __init__(self, sizes): 
        """ 
        :param sizes: list類型，儲存每層神經(jīng)網(wǎng)絡的神經(jīng)元數(shù)目 
                      譬如說：sizes = [2, 3, 2] 表示輸入層有兩個神經(jīng)元、 
                      隱藏層有3個神經(jīng)元以及輸出層有2個神經(jīng)元 
        """ 
        # 有幾層神經(jīng)網(wǎng)絡  
        self.num_layers = len(sizes) 
        self.sizes = sizes 
        # 除去輸入層，隨機產(chǎn)生每層中 y 個神經(jīng)元的 biase 值（0 - 1） 
        self.biases = [np.random.randn(y, 1) for y in sizes[1:]] 
        # 隨機產(chǎn)生每條連接線的 weight 值（0 - 1） 
        self.weights = [np.random.randn(y, x) 
                        for x, y in zip(sizes[:-1], sizes[1:])] 

向前傳輸（FreedForward）的代碼

def feedforward(self, a): 
        """ 
        前向傳輸計算每個神經(jīng)元的值 
        :param a: 輸入值 
        :return: 計算后每個神經(jīng)元的值 
        """ 
        for b, w in zip(self.biases, self.weights): 
            # 加權求和以及加上 biase 
            a = sigmoid(np.dot(w, a)+b) 
        return a 

源碼里使用的是隨機梯度下降（Stochastic Gradient Descent，簡稱 SGD），原理與梯度下降相似，不同的是隨機梯度下降算法每次迭代只取數(shù)據(jù)集中一部分的樣本來更新 w 和 b 的值，速度比梯度下降快，但是，它不一定會收斂到局部極小值，可能會在局部極小值附近徘徊。

def SGD(self, training_data, epochs, mini_batch_size, eta, 
            test_data=None): 
        """ 
        隨機梯度下降 
        :param training_data: 輸入的訓練集 
        :param epochs: 迭代次數(shù) 
        :param mini_batch_size: 小樣本數(shù)量 
        :param eta: 學習率  
        :param test_data: 測試數(shù)據(jù)集 
        """ 
        if test_data: n_test = len(test_data) 
        n = len(training_data) 
        for j in xrange(epochs): 
            # 攪亂訓練集，讓其排序順序發(fā)生變化 
            random.shuffle(training_data) 
            # 按照小樣本數(shù)量劃分訓練集 
            mini_batches = [ 
                training_data[k:k+mini_batch_size] 
                for k in xrange(0, n, mini_batch_size)] 
            for mini_batch in mini_batches: 
                # 根據(jù)每個小樣本來更新 w 和 b，代碼在下一段 
                self.update_mini_batch(mini_batch, eta) 
            # 輸出測試每輪結束后，神經(jīng)網(wǎng)絡的準確度 
            if test_data: 
                print "Epoch {0}: {1} / {2}".format( 
                    j, self.evaluate(test_data), n_test) 
            else: 
                print "Epoch {0} complete".format(j) 

根據(jù) backprop 方法得到的偏導數(shù)更新 w 和 b 的值。

def update_mini_batch(self, mini_batch, eta): 
        """ 
        更新 w 和 b 的值 
        :param mini_batch: 一部分的樣本 
        :param eta: 學習率 
        """ 
        # 根據(jù) biases 和 weights 的行列數(shù)創(chuàng)建對應的全部元素值為 0 的空矩陣 
        nabla_b = [np.zeros(b.shape) for b in self.biases] 
        nabla_w = [np.zeros(w.shape) for w in self.weights] 
        for x, y in mini_batch: 
            # 根據(jù)樣本中的每一個輸入 x 的其輸出 y，計算 w 和 b 的偏導數(shù) 
            delta_nabla_b, delta_nabla_w = self.backprop(x, y) 
            # 累加儲存偏導值 delta_nabla_b 和 delta_nabla_w  
            nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)] 
            nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)] 
        # 更新根據(jù)累加的偏導值更新 w 和 b，這里因為用了小樣本， 
        # 所以 eta 要除于小樣本的長度 
        self.weights = [w-(eta/len(mini_batch))*nw 
                        for w, nw in zip(self.weights, nabla_w)] 
        self.biases = [b-(eta/len(mini_batch))*nb 
                       for b, nb in zip(self.biases, nabla_b)] 

下面這塊代碼是源碼最核心的部分，也即 BP 算法的實現(xiàn)，包含了前向傳輸和逆向反饋，前向傳輸在 Network 里有單獨一個方法（上面提到的 feedforward 方法），那個方法是用于驗證訓練好的神經(jīng)網(wǎng)絡的精確度的，在下面有提到該方法。

def backprop(self, x, y): 
        """ 
        :param x: 
        :param y: 
        :return: 
        """ 
        nabla_b = [np.zeros(b.shape) for b in self.biases] 
        nabla_w = [np.zeros(w.shape) for w in self.weights] 
        # 前向傳輸 
        activation = x 
        # 儲存每層的神經(jīng)元的值的矩陣，下面循環(huán)會 append 每層的神經(jīng)元的值 
        activations = [x]  
        # 儲存每個未經(jīng)過 sigmoid 計算的神經(jīng)元的值 
        zs = []  
        for b, w in zip(self.biases, self.weights): 
            z = np.dot(w, activation)+b 
            zs.append(z) 
            activation = sigmoid(z) 
            activations.append(activation) 
        # 求 δ 的值 
        delta = self.cost_derivative(activations[-1], y) * \ 
            sigmoid_prime(zs[-1]) 
        nabla_b[-1] = delta 
        # 乘于前一層的輸出值 
        nabla_w[-1] = np.dot(delta, activations[-2].transpose()) 
        for l in xrange(2, self.num_layers): 
            # 從倒數(shù)第 **l** 層開始更新，**-l** 是 python 中特有的語法表示從倒數(shù)第 l 層開始計算 
            # 下面這里利用 **l+1** 層的 δ 值來計算 **l** 的 δ 值 
            z = zs[-l] 
            sp = sigmoid_prime(z) 
            delta = np.dot(self.weights[-l+1].transpose(), delta) * sp 
            nabla_b[-l] = delta 
            nabla_w[-l] = np.dot(delta, activations[-l-1].transpose()) 
        return (nabla_b, nabla_w) 

接下來則是 evaluate 的實現(xiàn)，調用 feedforward 方法計算訓練好的神經(jīng)網(wǎng)絡的輸出層神經(jīng)元值（也即預測值），然后比對正確值和預測值得到精確率。

def evaluate(self, test_data): 
       # 獲得預測結果 
       test_results = [(np.argmax(self.feedforward(x)), y) 
                       for (x, y) in test_data] 
       # 返回正確識別的個數(shù) 
       return sum(int(x == y) for (x, y) in test_results) 

最后，我們可以利用這個源碼來訓練一個手寫數(shù)字識別的神經(jīng)網(wǎng)絡，并輸出評估的結果，代碼如下：

import mnist_loader 
import network 
 
training_data, validation_data, test_data = mnist_loader.load_data_wrapper() 
net = network.Network([784, 30, 10]) 
net.SGD(training_data, 30, 10, 3.0, test_data = test_data) 
# 輸出結果 
# Epoch 0: 9038 / 10000 
# Epoch 1: 9178 / 10000 
# Epoch 2: 9231 / 10000 
# ... 
# Epoch 27: 9483 / 10000 
# Epoch 28: 9485 / 10000 
# Epoch 29: 9477 / 10000 

可以看到，在經(jīng)過 30 輪的迭代后，識別手寫神經(jīng)網(wǎng)絡的精確度在 95% 左右，當然，設置不同的迭代次數(shù)，學習率以取樣數(shù)對精度都會有影響，如何調參也是一門技術活，這個坑就后期再填吧。

總結

神經(jīng)網(wǎng)絡的優(yōu)點：

網(wǎng)絡實質上實現(xiàn)了一個從輸入到輸出的映射功能，而數(shù)學理論已證明它具有實現(xiàn)任何復雜非線性映射的功能。這使得它特別適合于求解內部機制復雜的問題。

網(wǎng)絡能通過學習帶正確答案的實例集自動提取“合理的”求解規(guī)則，即具有自學習能力。

網(wǎng)絡具有一定的推廣、概括能力。

神經(jīng)網(wǎng)絡的缺點：

對初始權重非常敏感，極易收斂于局部極小。

容易 Over Fitting 和 Over Training。

如何選擇隱藏層數(shù)和神經(jīng)元個數(shù)沒有一個科學的指導流程，有時候感覺就是靠猜。

應用領域：

常見的有圖像分類，自動駕駛，自然語言處理等。

TODO

但其實想要訓練好一個神經(jīng)網(wǎng)絡還面臨著很多的坑（譬如下面四條）：

• 如何選擇超參數(shù)的值，譬如說神經(jīng)網(wǎng)絡的層數(shù)和每層的神經(jīng)元數(shù)量以及學習率；
• 既然對初始化權重敏感，那該如何避免和修正；
• Sigmoid 激活函數(shù)在深度神經(jīng)網(wǎng)絡中會面臨梯度消失問題該如何解決；
• 避免 Overfitting 的 L1 和 L2正則化是什么。

參考

[1] 周志華 機器學習

[2] 斯坦福大學機器學習在線課程

[3] Parallel Distributed Processing (1986, by David E. Rumelhart, James L. McClelland), Chapter 8 Learning Internal Representations by Error Propagation

[4] How the backpropagation algorithm works

[5] Backpropagation Algorithm

[6] 鏈式求導法則，臺灣中華科技大學數(shù)位課程，Youtube 視頻，需要翻墻，順便安利一下他們的數(shù)學相關的視頻，因為做的都非常淺顯易懂

本文轉自雷鋒網(wǎng)，如需轉載請至雷鋒網(wǎng)官網(wǎng)申請授權，本文作者曾梓華。