|
神经网络的前向传播和反向传播
总述正文开始初始化
Step 1 前向传播1.输入层---->隐含层：2.隐含层---->输出层：
Step 2 反向传播1.计算总误差2.隐含层---->输出层的权值更新：3.隐含层---->隐含层的权值更新：
完整python代码
总述
 这是典型的三层神经网络的基本构成 Layer L1是输入层，Layer L2是隐含层，Layer L3是隐含层 我们现在手里有一堆数据{x1,x2,x3,…,xn},输出也是一堆数据{y1,y2,y3,…,yn},现在要他们在隐含层做某种变换，让你把数据灌进去后得到你期望的输出。 本文直接举一个例子，带入数值演示反向传播法的过程，并会使用python代码表达
正文开始
假设，你有这样一个网络层：  第一层是输入层，包含两个神经元i1，i2，和截距项b1； 第二层是隐含层，包含两个神经元h1,h2和截距项b2； 第三层是输出o1,o2，每条线上标的wi是层与层之间连接的权重，激活函数我们默认为sigmoid函数。
初始化
现在对他们赋上初值，如下图：  其中 输入数据 i1=0.05，i2=0.10; 输出数据 o1=0.01,o2=0.99; 初始权重 w1=0.15,w2=0.20,w3=0.25,w4=0.30; w5=0.40,w6=0.45,w7=0.50,w8=0.55 目标：给出输入数据i1,i2(0.05和0.10)，使输出尽可能与原始输出o1,o2(0.01和0.99)接近。
#初始化权重
weights = np.array([[[0.15, 0.20], [0.25, 0.30]], [[0.40, 0.45], [0.50, 0.55]]])
# 输入数据
l0 = np.array([[0.05], [0.10]])
#偏置
bias = np.array([[.35],[0.60]])
#真实值
y = np.array([[0.01],[0.99]])
#学习率
i=0.5
Step 1 前向传播
1.输入层---->隐含层：
计算神经元h1的输入加权和：  神经元h1的输出o1:(此处用到激活函数为sigmoid函数)：  同理，可计算出神经元h2的输出o2： 
#前向传播
#输入层---->隐含层
temp1 = np.dot(weights[0], l0) +bias[0]
l1 = 1 / (1 + np.exp(-temp1))
print("l1",l1)
l1 [[0.59326999]
[0.59688438]]
2.隐含层---->输出层：
计算输出层神经元o1和o2的值：  这样前向传播的过程就结束了，我们得到输出值为[0.75136079 , 0.772928465]。 这与实际值[0.01 , 0.99]相差还很远，现在我们对误差进行反向传播，更新权值，重新计算输出。
#隐含层---->输出层：
temp2 = np.dot(weights[1], l1) +bias[1]
l2 = 1 / (1 + np.exp(-temp2))
print("l2",l2)
l2 [[0.75136507]
[0.77292847]]
Step 2 反向传播
1.计算总误差
总误差：(square error)  但是有两个输出，所以分别计算o1和o2的误差，总误差为两者之和：   
#反向传播
Error = 1 / 2.0 * (y-l2)**2
print("Error",Error)
TotalE = np.sum(Error)
print("TotalE",TotalE)
Error [[0.27481108]
[0.02356003]]
TotalE 0.2983711087600027
2.隐含层---->输出层的权值更新：
以权重参数w5为例，如果我们想知道w5对整体误差产生了多少影响，可以用整体误差对w5求偏导求出：（链式法则）  下面的图可以更直观的看清楚误差是怎样反向传播的：  现在我们来分别计算每个式子的值： 计算:  
计算   （这一步实际上就是对sigmoid函数求导，比较简单，可以自己推导一下）
计算   最后三者相乘：  这样我们就计算出整体误差E(total)对w5的偏导值。 回过头来再看看上面的公式，我们发现：  为了表达方便，用  来表示输出层的误差：  因此，整体误差E(total)对w5的偏导公式可以写成：  如果输出层误差计为负的话，也可以写成：  最后我们来更新w5的值：  （其中，  是学习速率，这里我们取0.5）
同理，可更新w6,w7,w8: 
#隐含层---->输出层的权值更新
alphaE1 = - (y - l2)
alphaE2 = l2 * (1-l2)
alphaE3 = l1
print("alphaE1",alphaE1)
print("alphaE2",alphaE2)
print("alphaE3",alphaE3)
alphaE = alphaE1 * alphaE2 * alphaE3
print("alphaE",alphaE)
#更新权重
weightsT1 = weights[1] - i * alphaE
print("weightsT1",weightsT1)
alphaE1 [[ 0.74136507]
[-0.21707153]]
alphaE2 [[0.1868156 ]
[0.17551005]]
alphaE3 [[0.59326999]
[0.59688438]]
alphaE [[ 0.08216704]
[-0.02274024]]
weightsT1 [[0.35891648 0.40891648]
[0.51137012 0.56137012]]
3.隐含层---->隐含层的权值更新：
方法其实与上面说的差不多，但是有个地方需要变一下，在上文计算总误差对w5的偏导时，是从out(o1)---->net(o1)---->w5,但是在隐含层之间的权值更新时，是out(h1)---->net(h1)---->w1,而out(h1)会接受E(o1)和E(o2)两个地方传来的误差，所以这个地方两个都要计算。  计算   先计算       同理，计算出：  再计算   再计算   最后，三者相乘：  为了简化公式，用sigma(h1)表示隐含层单元h1的误差：  最后，更新w1的权值：  同理，额可更新w2,w3,w4的权值：  这样误差反向传播法就完成了，最后我们再把更新的权值重新计算，不停地迭代
#隐含层---->隐含层的权值更新：
alphaE41 = alphaE1 * alphaE2
alphaE42 = weights[1]
alphaE4 = alphaE41 * alphaE42
print("alphaE41",alphaE41)
print("alphaE42",alphaE42)
print("alphaE4",alphaE4)
alphaE4s = alphaE4[0] + alphaE4[1]
print("alphaE4s",alphaE4s)
alphaE5 = l1 * (1 - l1)
print("alphaE5",alphaE5)
alphaE6 = l0
print("alphaE6",alphaE6)
alphaEE = alphaE4s * alphaE5 * alphaE6
print("alphaEE",alphaEE)
#更新权重
weightsT2 = weights[0] - i * alphaEE
print("weightsT2",weightsT2)
alphaE41 [[ 0.13849856]
[-0.03809824]]
alphaE42 [[0.4 0.45]
[0.5 0.55]]
alphaE4 [[ 0.05539942 0.06232435]
[-0.01904912 -0.02095403]]
alphaE4s [0.03635031 0.04137032]
alphaE5 [[0.24130071]
[0.24061342]]
alphaE6 [[0.05]
[0.1 ]]
alphaEE [[0.00043857 0.00049913]
[0.00087464 0.00099543]]
weightsT2 [[0.14978072 0.19975043]
[0.24956268 0.29950229]]
完整python代码
import numpy as np
#初始化权重
weights = np.array([[[0.15, 0.20], [0.25, 0.30]], [[0.40, 0.45], [0.50, 0.55]]])
# 输入数据
l0 = np.array([[0.05], [0.10]])
#偏置
bias = np.array([[.35],[0.60]])
#真实值
y = np.array([[0.01],[0.99]])
#学习率
i=0.5
for j in range(100):
#前向传播
#输入层---->隐含层
temp1 = np.dot(weights[0], l0) +bias[0]
l1 = 1 / (1 + np.exp(-temp1))
print("l1",l1)
#隐含层---->输出层：
temp2 = np.dot(weights[1], l1) +bias[1]
l2 = 1 / (1 + np.exp(-temp2))
print("l2",l2)
#反向传播
Error = 1 / 2.0 * (y-l2)**2
print("Error",Error)
#隐含层---->输出层的权值更新
TotalE = np.sum(Error)
print("TotalE",TotalE)
alphaE1 = - (y - l2)
alphaE2 = l2 * (1-l2)
alphaE3 = l1
print("alphaE1",alphaE1)
print("alphaE2",alphaE2)
print("alphaE3",alphaE3)
alphaE = alphaE1 * alphaE2 * alphaE3
print("alphaE",alphaE)
#更新权重
weightsT1 = weights[1] - i * alphaE
print("weightsT1",weightsT1)
#隐含层---->隐含层的权值更新：
alphaE41 = alphaE1 * alphaE2
alphaE42 = weights[1]
alphaE4 = alphaE41 * alphaE42
print("alphaE41",alphaE41)
print("alphaE42",alphaE42)
print("alphaE4",alphaE4)
alphaE4s = alphaE4[0] + alphaE4[1]
print("alphaE4s",alphaE4s)
alphaE5 = l1 * (1 - l1)
print("alphaE5",alphaE5)
alphaE6 = l0
print("alphaE6",alphaE6)
alphaEE = alphaE4s * alphaE5 * alphaE6
print("alphaEE",alphaEE)
#更新权重
weightsT2 = weights[0] - i * alphaEE
print("weightsT2",weightsT2)
weights[0] = weightsT2
weights[1] = weightsT1
print(Error)
最后的误差，已经变得很小了
[[0.01405175]
[0.00634091]]
参考文档
|