建网站策划方案,安全教育平台,专业网页制作软件能帮助客户组织和管理,做360手机网站优化排反向传播算法(Back propagation) 目的及思想 我们现在有一堆输入#xff0c;我们希望能有一个网络#xff0c;使得通过这个网络的构成的映射关系满足我们的期待。也就是说#xff0c;我们在解决这个问题之前先假设#xff0c;这种映射可以用网络的模型来比较好的描述。为什… 反向传播算法(Back propagation) 目的及思想 我们现在有一堆输入我们希望能有一个网络使得通过这个网络的构成的映射关系满足我们的期待。也就是说我们在解决这个问题之前先假设这种映射可以用网络的模型来比较好的描述。为什么是网络而不是什么别的形式呢不懂了。。 这个网络到底是个怎样的形式呢如下图所示\(i1,i2\)是输入\(o1,o2\)是输出其中\(w1...w8, b1, b2\)是这个网络中的参数。对于一个结点来说它的所有输出都等于它的每个输入对于对应\(w\)的加权求和带入激活函数的结果。 而现在\(w1...w8, b1, b2\)这些参数都是未知的我们希望能通过一些方法逼近这些参数的真实结果。 我们将\(w1...w8, b1, b2\)这些参数考虑成一个高维空间中的点与三维还有二维的情况类似的我们贪心的朝着周围都走一小步找到那个能获得相对最优解的方向并接受这次移动这是经典的梯度下降的思想。于是我们引入了损失函数使用它来描述这个点的优秀程度。\(w1...w8, b1, b2\)是这个函数的输入通过调整这些输入我们希望能获得一个使得损失函数获得最值的位置然而实际上我们获得的显然是一个极值并不一定是最值除非能证明这个损失函数关于这些参数是凸的。但是作为一个比较优秀的解这样做还是有价值的。 后半部分的思想过程顺理成章感觉整套方法最有价值和启发意义的就是这个网络模型。 具体算法 设定输入量\(i_1,i_2...i_n\)以及\(w_1...w_{n*n*2}, b_1, b_2\)如果可能尽量设定在离真实解较近的位置最好在一个坑里激活函数选取经典的sigmoid函数 \(f(x) \frac{1}{1e^{-x}}\)损失函数取 \(L(w_1...w_{n*n*2}, b_1, b_2) \frac{1}{2} \sum_{i1}^n (target_j - o_j)^2\), 我们定义\(i_j\)对应的目标输出为\(target_j\)对于当前网络带入\(i_1,i_2...i_n\)求出对应的\(o_1,o_2,...,o_n\). 这个过程显然就是在一张dag上按照拓扑序递推更它的后继节点即可每到一个点计算它的激活函数的输出然后更新它的后继节点更新完之后我们就获得了\(o_1,o_2,...,o_n\). 现在需要求解 L 关于这每个参数的在当前输入情况下的偏导。容易利用链式法则解决懒得写了这里有超详细推导一文弄懂神经网络中的反向传播法——BackPropagation返回操作 4直到获得令人满意的精度代码 c写了个实现。太丑了不发了。。最麻烦的部分就是链式求导算梯度的几个式子推导有了式子之后还是挺好写的。非常有意思的是一开始的写法没有加入参数 b1b2因此迭代 500000 次左右才能使L达到 1e-22 的精度但是当我们补上 b1 和 b2 时只用迭代 200000 次即可达到一个式子形式的设计或者说网络结构的设计对于算法的效果影响还是很巨大的。 转载于:https://www.cnblogs.com/RRRR-wys/p/10873130.html
