内容简介:网上关于BP算法的解释浩如烟海,我没必要多写一篇充数,不过面试之前总想快速的复习一下,奈何没有成文的资料。本文旨在提取出纯净的推导过程,不过多解释,为了有基础的朋友们面试前快速过一下。给定训练集 以单隐层前馈网络为例,如上图所示:单个神经元的最简单神经网络模型如上图所示,也称作“M-P神经元模型”。该模型可以视为神经网络的最小单位。我们着重注意这个阈值 , 神经元输出 ,模型输出的是分类结果,所以这个 也直接影响分类结果。神经网络的训练就是连接权值的更新,所以这个连接权值的训练不用多解释。阈值本身也可以被作
网上关于BP算法的解释浩如烟海,我没必要多写一篇充数,不过面试之前总想快速的复习一下,奈何没有成文的资料。本文旨在提取出纯净的推导过程,不过多解释,为了有基础的朋友们面试前快速过一下。
抽象出问题
给定训练集 以单隐层前馈网络为例,如上图所示:
介绍一下出现的参数:
- 输入层神经元的数
- 输出层神经元的个数
- 隐层神经元个数
- 输出层第 个神经元的阈值
- 隐层第 个神经元的阈值
- 输入层第 个神经元和隐层第 个神经元的连接权值
- 隐层第 个神经元和输出层第 个神经元的连接权值
- 隐层第 个神经元的输出
- 隐层第 个神经元的输入
- 输出层第 个神经元的输入
介绍一下主要优化的内容
单个神经元的最简单神经网络模型如上图所示,也称作“M-P神经元模型”。该模型可以视为神经网络的最小单位。我们着重注意这个阈值 , 神经元输出 ,模型输出的是分类结果,所以这个 也直接影响分类结果。神经网络的训练就是连接权值的更新,所以这个连接权值的训练不用多解释。阈值本身也可以被作为一个值为-1的哑结点的权值。所以我们BP算法种训练的 主要内容便是神经元的连接权值和神经元的阈值。
BP算法训练过程
- 明确损失函数和参数调整策略
对样本 ,假定神经网络的输出为 ,即
网络在样本 上的均方误差
调整策略为梯度下降:
- 计算输出层阈值 的梯度
直接影响 , 直接影响 , 利用链式法则:
由之前公式可接着计算得出:
由于激活函数为sigmoid函数,导数可以用乘积来表示,有:
所以有
- 计算隐层到输出层连接权值 的梯度
直接影响 , 直接影响 , 直接影响 ,利用链式法则,所以有:
由于激活函数为sigmoid函数
由 定义可知:
综合求出:
- 计算隐层阈值 的梯度
影响到 , 直接影响 ,则有:
- 总结最终结果
引申一下,在多层前向网络中,将隐层阈值梯度表述为m层的阈值梯度 ,隐层神经元输出表述为m层神经元的输出 ,隐层与输出层的连接权值表述为m+1层的权值 ,将输出层阈值梯度表述为m+1层的阈值梯度 。则隐层阈值梯度可以表示为:
可知,在阈值调整过程中, 当前层的阈值梯度取决于下一层的阈值梯度 ,这就是BP算法的精髓,同理:
可知,当前层的连接权值梯度,取决于当前层神经元阈值梯度和上层神经元输出。
BP算法的优缺点
以上所述就是小编给大家介绍的《手推BP算法-面试前抢救一下》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
猜你喜欢:- 复盘一次小公司遇突发流量的扑火抢救
- 强化学习如何提升ICU抢救效率?普林斯顿大学给出答案
- 通俗易懂--决策树算法、随机森林算法讲解(算法+案例)
- 限流算法之漏桶算法、令牌桶算法
- 什么是Paxos算法?Paxos算法是区块链核心算法之一
- 一文读懂对称加密算法、非对称加密算法和Hash算法
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Basics of Web Design
Terry Felke-Morris / Addison-Wesley / 2013-1-28 / USD 98.40
Basics of Web Design: HTML5 and CSS3, 2e covers the basic concepts that web designers need to develop their skills: * Introductory Internet and Web concepts* Creating web pages with HTML5* Configurin......一起来看看 《Basics of Web Design》 这本书的介绍吧!