引言

文章目录

• 引言
• 一、神经网络通过梯度下降学习的步骤
• • 1.1 初始化网络参数
  • 1.2 前向传播（Forward Propagation）
  • 1.3 计算损失（Loss）
  • 1.4 反向传播（Back Propagation）
  • 1.5 参数更新
  • 1.6 迭代
  • 1.7 详细说明反向传播中的梯度计算
  • 1.8 总结
• 二、前向传播
• • 2.1 输入层
  • 2.2 第一层（隐藏层或输入层）
  • 2.3 后续隐藏层
  • 2.4 输出层
  • 2.5 总结

一、神经网络通过梯度下降学习的步骤

1.1 初始化网络参数

• 随机初始化权重 $W$ 和偏置$b$
• 这些参数将随着训练过程的进行而更新

1.2 前向传播（Forward Propagation）

• 对于每个训练样本 $x$ 和其对应的标签$y$：
  • 输入层：将输入$x$传递到网络的第一层。
  • 隐藏层：
    • 计算加权输入：$z^{[l]}=W^{[l]}{a}^{[l-1]}+b^{[l]}$，其中 $l$ 表示层数，$a^{[l-1]}$ 是前一层激活输出。
    • 应用激活函数：$a^{[l]}=\sigma (z^{[l]})$，其中$\sigma$ 是激活函数，如ReLU、Sigmoid或Tanh
  • 输出层：
    • 计算加权输入和激活输出，对于分类问题，通常使用Softmax函数计算最终输出

1.3 计算损失（Loss）

• 使用损失函数计算预测输出 $\hat{y}$和实际标签$y$之间的差异。
• 常见的损失函数包括：
  • 对于回归问题：均方误差（MSE）$L(y,\hat{y})=\frac{1}{2m}{\sum }_{i=1}^m(y^{(i)}-{\hat{y}}^{(i)}{)}^2$
  • 对于分类问题：交叉熵损失 $L(y,\hat{y})=-\frac{1}{m}{\sum }_{i=1}^m{y}^{(i)}\log ({\hat{y}}^{(i)})$

1.4 反向传播（Back Propagation）

• 计算损失函数关于输出层激活的梯度。
• 逆向遍历网络，计算每一层的梯度：
  • 对于输出层：
    • KaTeX parse error: Can't use function '\)' in math mode at position 58: …igma'(z^{[L]}) \̲)̲，其中 \( \nabla_{…是损失函数关于$a^{[L]}$的梯度，${\sigma }^{\prime }$是激活函数的导数。
  • 对于隐藏层：
    • ${\delta }^{[l]}=((W^{[l+1]}{)}^T{\delta }^{[l+1]})\cdot {\sigma }^{\prime }(z^{[l]})$
  • 计算损失函数关于参数的梯度：
    • $\frac{\partial L}{\partial W^{[l]}}=\frac{1}{m}{\delta }^{[l]}(a^{[l-1]}{)}^T$
    • $\frac{\partial L}{\partial b^{[l]}}=\frac{1}{m}{\sum }_{i=1}^m{\delta }^{[l](i)}$

1.5 参数更新

• 使用梯度下降更新权重和偏置：
  -$W^{[l]}=W^{[l]}-\alpha \frac{\partial L}{\partial W^{[l]}}$
• $b^{[l]}=b^{[l]}-\alpha \frac{\partial L}{\partial b^{[l]}}$
• 其中，$\alpha$是学习率

1.6 迭代

• 重复步骤2到5，直到满足停止条件，如达到预定的迭代次数、损失低于某个阈值或验证集上的性能不再提升

1.7 详细说明反向传播中的梯度计算

• 输出层梯度：对于不同的损失函数，计算方式不同。例如，对于交叉熵损失，${\delta }^{[L]}=\hat{y}-y$
• 隐藏层梯度：通过链式法则，将输出层的梯度传递回前一层，计算每一层的梯度
• 参数梯度：最终计算得到的梯度用于更新权重和偏置

1.8 总结

通过这个过程，神经网络能够通过不断调整参数来学习数据中的模式，并减少预测误差

二、前向传播

2.1 输入层

• 输入数据：网络接收输入数据$X$，它是一个维度为 $[n,d]$的矩阵，其中 $n$ 是样本数量，$d$ 是每个样本的特征数量

2.2 第一层（隐藏层或输入层）

• 加权输入：计算每个神经元的加权输入 KaTeX parse error: Can't use function '\)' in math mode at position 9: Z^{[1]} \̲)̲。这通过将输入 \( X \)…相乘，并加上偏置向量$b^{[1]}$来完成。
  $$Z^{[1]}=W^{[1]}X+b^{[1]}$$
• 激活函数：将加权输入$Z^{[1]}$通过激活函数 $\sigma$ 来获得该层的激活输出$A^{[1]}$
  $A^{[1]}=\sigma (Z^{[1]})$
  常用的激活函数包括ReLU、Sigmoid、Tanh等

2.3 后续隐藏层

• 对于网络的每一个隐藏层$l(l=2,3,...,L-1）$，其中 $L$是网络的总层数：
  • 加权输入：计算每个神经元的加权输入 $Z^{[l]}$，这是通过将前一层的激活输出 $A^{[l-1]}$与权重矩阵 $W^{[l]}$相乘，并加上偏置向量 $b^{[l]}$来完成的。
    $$Z^{[l]}=W^{[l]}{A}^{[l-1]}+b^{[l]}$$
  • 激活函数：将加权输入$Z^{[l]}$通过激活函数$\sigma$ 来获得该层的激活输出$A^{[l]}$
    $$A^{[l]}=\sigma (Z^{[l]})$$

2.4 输出层

• 对于网络的输出层$L$：
  • 加权输入：计算每个神经元的加权输入$Z^{[L]}$，这是通过将最后一层的激活输出$A^{[L-1]}$与权重矩阵$W^{[L]}$相乘，并加上偏置向量$b^{[L]}$ 来完成的。
    $$Z^{[L]}=W^{[L]}{A}^{[L-1]}+b^{[L]}$$
  • 激活函数：根据问题的性质，选择合适的激活函数。对于分类问题，通常使用Softmax函数来获得概率分布输出$\hat{Y}$
    $$\hat{Y}=\text{softmax}(Z^{[L]})$$
    其中，Softmax函数将$Z^{[L]}$转换为概率分布，使得每个输出${\hat{y}}^{[i]}$ 都在0和1之间，并且所有输出之和为1

2.5 总结

前向传播的整个过程可以总结为以下步骤：

1. 对于每个层 $l$，计算加权输入$Z^{[l]}$
2. 应用激活函数$\sigma$ 来获得激活输出$A^{[l]}$
3. 重复步骤1和2，直到到达输出层
4. 在输出层应用适当的激活函数（如Softmax）以获得最终输出。