使用反向傳播訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的原理
文章《Principles of training multi-layer neural network using backpropagation 》提供了直觀理解反向傳播的完整例子。以下是原文翻譯。
文章描述采用反向傳播算法訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程。為了說明這個(gè)過程，使用了具有兩個(gè)輸入和一個(gè)輸出的三層神經(jīng)網(wǎng)絡(luò)，如下圖所示：
每個(gè)神經(jīng)元由兩部分組成。***部分是輸入信號(hào)和權(quán)重系數(shù)的加權(quán)和。第二部分是非線性函數(shù)，稱為神經(jīng)元激活函數(shù)。信號(hào)e是加權(quán)和的輸出(加法器的輸出)信號(hào)。y=f(e)是非線性函數(shù)(元件)的輸出信號(hào)。信號(hào)y也是神經(jīng)元的輸出信號(hào)。
要訓(xùn)練神經(jīng)網(wǎng)絡(luò)，我們需要“訓(xùn)練數(shù)據(jù)集”。訓(xùn)練數(shù)據(jù)集是由對(duì)應(yīng)目標(biāo)z(期望輸出)的輸入信號(hào)(x_1和 x_2)組成。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練是一個(gè)迭代過程。在每個(gè)迭代中，使用來自訓(xùn)練數(shù)據(jù)集的新數(shù)據(jù)修改網(wǎng)絡(luò)節(jié)點(diǎn)的加權(quán)系數(shù)。整個(gè)迭代由前向計(jì)算和反向傳播兩個(gè)過程組成。
前向計(jì)算：每個(gè)學(xué)習(xí)步驟從來自訓(xùn)練集的兩個(gè)輸入信號(hào)開始。前向計(jì)算完成之后，我們可以確定每層網(wǎng)絡(luò)中每個(gè)神經(jīng)元的輸出信號(hào)值(譯者注：隱藏層神經(jīng)元的誤差是沒有的，因?yàn)橛?xùn)練數(shù)據(jù)集中沒有隱藏層的目標(biāo)值)。下圖顯示了信號(hào)如何通過網(wǎng)絡(luò)傳播，符號(hào)w(xm) 表示網(wǎng)絡(luò)輸入x_m和神經(jīng)元n之間的連接權(quán)重。符號(hào)y_n 表示神經(jīng)元n的輸出信號(hào)。
隱藏層信號(hào)傳播。符號(hào)w_mn表示神經(jīng)元m的輸出和后一層神經(jīng)元n的輸入之間的連接權(quán)重 。
輸出層信號(hào)傳播：
在下一個(gè)算法步驟中，將網(wǎng)絡(luò)y的輸出信號(hào)與訓(xùn)練數(shù)據(jù)集中的輸出值(目標(biāo))進(jìn)行比較。差異稱為輸出層神經(jīng)元的誤差信號(hào)δ。
因?yàn)殡[層神經(jīng)元的輸出值(訓(xùn)練集沒有隱藏層的目標(biāo)值)是未知的，所以不可能直接計(jì)算內(nèi)部神經(jīng)元的誤差信號(hào)。多年來，一直沒有找到訓(xùn)練多層神經(jīng)網(wǎng)絡(luò)的有效方法。直到在八十年代中期，反向傳播算法才被制定出來。反向傳播算法是將誤差信號(hào)δ(在單個(gè)訓(xùn)練步驟中計(jì)算)傳播回所有神經(jīng)元，對(duì)于神經(jīng)元來說，誤差信號(hào)反向傳播。
用于傳播誤差的權(quán)重系數(shù)w_mn等于前向計(jì)算使用的權(quán)重系數(shù)，只是數(shù)據(jù)流的方向改變(信號(hào)從輸出到輸入一個(gè)接一個(gè)地傳播)。該技術(shù)用于所有網(wǎng)絡(luò)層。如果誤差是來自多個(gè)神經(jīng)元，則把它們加起來(譯者注：反向來看，也是加權(quán)和)。下圖所示：
計(jì)算每個(gè)神經(jīng)元的誤差信號(hào)，用于修改每個(gè)神經(jīng)元輸入連接的加權(quán)系數(shù)。在下面的公式中， df(e)/de表示神經(jīng)元激活函數(shù)的導(dǎo)數(shù)。影響權(quán)重的因素除了神經(jīng)元激活函數(shù)的導(dǎo)數(shù)之外，還有反向傳播的誤差信號(hào)，以及神經(jīng)元輸入方向連接的前一個(gè)神經(jīng)元。(譯者注：這里忽略了推導(dǎo)過程，直接給出權(quán)重的修改方法。具體的推導(dǎo)過程參考我的前一篇文章：《誤差反向傳播算法淺解》。原理是一樣的，影響權(quán)重的三個(gè)因素體現(xiàn)在下面的公式中。)。
其中系數(shù)η影響網(wǎng)絡(luò)訓(xùn)練速度。有幾種技術(shù)來選擇此參數(shù)。***種方法是開始具有較大參數(shù)值。當(dāng)權(quán)重系數(shù)正在建立時(shí)，參數(shù)逐漸減少。第二個(gè)方法是開始用小參數(shù)值進(jìn)行訓(xùn)練。在訓(xùn)練過程中，參數(shù)逐漸增加，然后在***階段再次下降。開始具有低參數(shù)值的訓(xùn)練過程能夠確定權(quán)重系數(shù)。
【本文是51CTO專欄作者石頭的原創(chuàng)文章，轉(zhuǎn)載請(qǐng)通過作者微信公眾號(hào)補(bǔ)天遺石(butianys)獲取授權(quán)】
