正文

bp神經(jīng)網(wǎng)絡(luò)反向傳播算法（bp神經(jīng)網(wǎng)絡(luò)反向傳播算法是什么）

發(fā)布時間：2023-04-08 07:56:03 稿源：創(chuàng)意嶺閱讀： 143

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于bp神經(jīng)網(wǎng)絡(luò)反向傳播算法的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、什么是BP算法
2、一文搞懂DNN反向傳播！
3、bp算法是什么？
4、一文徹底搞懂BP算法：原理推導+數(shù)據(jù)演示+項目實戰(zhàn)（上篇）

bp神經(jīng)網(wǎng)絡(luò)反向傳播算法（bp神經(jīng)網(wǎng)絡(luò)反向傳播算法是什么）

一、什么是BP算法

bp算法,即反向傳播方法,是用來訓練前向網(wǎng)絡(luò)的一種普遍算法

二、一文搞懂DNN反向傳播！

本文主要整理自下面的幾篇博客：

1、深度神經(jīng)網(wǎng)絡(luò)（DNN）反向傳播算法(BP)： https://www.cnblogs.com/pinard/p/6422831.html

2、機器學習中的矩陣、向量求導。 https://download.csdn.net/download/weixin_42074867/10405246

1、推導BPNN前需要了解的矩陣求導知識

1.1 矩陣／向量值函數(shù)對實數(shù)的導數(shù)

1.2 實值函數(shù)對矩陣／向量的導數(shù)

1.3 向量值函數(shù)對向量的求導(雅可比矩陣)

1.4 變量多次出現(xiàn)的求導法則

規(guī)則：若在函數(shù)表達式中，某個變量出現(xiàn)了多次，可以單獨計算函數(shù)對自變量的每一次出現(xiàn)的導數(shù)，再把結(jié)果加起來。

1.5 向量求導的鏈式法則

1.6 一一對應(yīng)關(guān)系下的矩陣求導

1.7 幾個重要的結(jié)論

掌握了上面的一些基本知識之后，我們就可以順利推導出神經(jīng)網(wǎng)絡(luò)的反向傳播算法。

2、反向傳播的推導

具體的推導過程可以參考文章開頭給出的博客，下圖是我手動推導的過程：

贊賞支持

鏈接：https://www.jianshu.com/p/ee08ed75844b

來源：

三、bp算法是什么？

誤差反向傳播算法：

BP算法的基本思想是，學習過程包括兩個過程：信號前向傳播和誤差后向傳播。

（1）前向傳播:輸入樣本->輸入層->各隱層(處理)->輸出層。

（2）錯誤反向傳播:輸出錯誤(某種形式)->隱藏層(逐層)->輸入層。

bp神經(jīng)網(wǎng)絡(luò)反向傳播算法（bp神經(jīng)網(wǎng)絡(luò)反向傳播算法是什么）

BP算法基本介紹：

多層隱含層前饋網(wǎng)絡(luò)可以極大地提高神經(jīng)網(wǎng)絡(luò)的分類能力，但長期以來一直沒有提出解決權(quán)值調(diào)整問題的博弈算法。

1986年，Rumelhart和McCelland領(lǐng)導的科學家團隊出版了《并行分布式處理》一書，詳細分析了具有非線性連續(xù)傳遞函數(shù)的多層前饋網(wǎng)絡(luò)的誤差反向比例（BP）算法，實現(xiàn)了Minsky關(guān)于多層網(wǎng)絡(luò)的思想。由于誤差的反向傳播算法常用于多層前饋網(wǎng)絡(luò)的訓練，人們常直接稱多層前饋網(wǎng)絡(luò)為BP網(wǎng)絡(luò)。

四、一文徹底搞懂BP算法：原理推導+數(shù)據(jù)演示+項目實戰(zhàn)（上篇）

反向傳播算法（Backpropagation Algorithm，簡稱BP算法）是深度學習的重要思想基礎(chǔ)，對于初學者來說也是必須要掌握的基礎(chǔ)知識！本文希望以一個清晰的脈絡(luò)和詳細的說明，來讓讀者徹底明白BP算法的原理和計算過程。

全文分為上下兩篇，上篇主要介紹BP算法的原理（即公式的推導），介紹完原理之后，我們會將一些具體的數(shù)據(jù)帶入一個簡單的三層神經(jīng)網(wǎng)絡(luò)中，去完整的體驗一遍BP算法的計算過程；下篇是一個項目實戰(zhàn)，我們將帶著讀者一起親手實現(xiàn)一個BP神經(jīng)網(wǎng)絡(luò)（不使用任何第三方的深度學習框架）來解決一個具體的問題。

圖 1 所示是一個簡單的三層（兩個隱藏層，一個輸出層）神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，假設(shè)我們使用這個神經(jīng)網(wǎng)絡(luò)來解決二分類問題，我們給這個網(wǎng)絡(luò)一個輸入樣本，通過前向運算得到輸出。輸出值的值域為，例如的值越接近0，代表該樣本是"0"類的可能性越大，反之是"1"類的可能性大。

為了便于理解后續(xù)的內(nèi)容，我們需要先搞清楚前向傳播的計算過程，以圖1所示的內(nèi)容為例：

輸入的樣本為：

第一層網(wǎng)絡(luò)的參數(shù)為：

第二層網(wǎng)絡(luò)的參數(shù)為：

第三層網(wǎng)絡(luò)的參數(shù)為：

第一層隱藏層有三個神經(jīng)元：、和。該層的輸入為：

以神經(jīng)元為例，則其輸入為：

同理有：

假設(shè)我們選擇函數(shù) 作為該層的激活函數(shù)（圖1中的激活函數(shù)都標了一個下標，一般情況下，同一層的激活函數(shù)都是一樣的，不同層可以選擇不同的激活函數(shù)），那么該層的輸出為：、和。

第二層隱藏層有兩個神經(jīng)元：和。該層的輸入為：

即第二層的輸入是第一層的輸出乘以第二層的權(quán)重，再加上第二層的偏置。因此得到和的輸入分別為：

該層的輸出分別為：和。

輸出層只有一個神經(jīng)元：。該層的輸入為：

即：

因為該網(wǎng)絡(luò)要解決的是一個二分類問題，所以輸出層的激活函數(shù)也可以使用一個Sigmoid型函數(shù)，神經(jīng)網(wǎng)絡(luò)最后的輸出為：。

在1.1節(jié)里，我們已經(jīng)了解了數(shù)據(jù)沿著神經(jīng)網(wǎng)絡(luò)前向傳播的過程，這一節(jié)我們來介紹更重要的反向傳播的計算過程。假設(shè)我們使用隨機梯度下降的方式來學習神經(jīng)網(wǎng)絡(luò)的參數(shù)，損失函數(shù)定義為，其中是該樣本的真實類標。使用梯度下降進行參數(shù)的學習，我們必須計算出損失函數(shù)關(guān)于神經(jīng)網(wǎng)絡(luò)中各層參數(shù)（權(quán)重和偏置）的偏導數(shù)。

假設(shè)我們要對第層隱藏層的參數(shù) 和求偏導數(shù)，即求和。假設(shè) 代表第層神經(jīng)元的輸入，即，其中為前一層神經(jīng)元的輸出，則根據(jù)鏈式法則有：

因此，我們只需要計算偏導數(shù) 、和。

前面說過，第k層神經(jīng)元的輸入為：，因此可以得到：

上式中，代表第層神經(jīng)元的權(quán)重矩陣的第行，代表第層神經(jīng)元的權(quán)重矩陣的第行中的第列。

我們以1.1節(jié)中的簡單神經(jīng)網(wǎng)絡(luò)為例，假設(shè)我們要計算第一層隱藏層的神經(jīng)元關(guān)于權(quán)重矩陣的導數(shù)，則有：

因為偏置b是一個常數(shù)項，因此偏導數(shù)的計算也很簡單：

依然以第一層隱藏層的神經(jīng)元為例，則有：

偏導數(shù) 又稱為 誤差項（error term，也稱為“靈敏度”） ，一般用表示，例如是第一層神經(jīng)元的誤差項，其值的大小代表了第一層神經(jīng)元對于最終總誤差的影響大小。

根據(jù)第一節(jié)的前向計算，我們知道第層的輸入與第層的輸出之間的關(guān)系為：

又因為，根據(jù)鏈式法則，我們可以得到為：

由上式我們可以看到，第層神經(jīng)元的誤差項是由第層的誤差項乘以第層的權(quán)重，再乘以第層激活函數(shù)的導數(shù)（梯度）得到的。這就是誤差的反向傳播。

現(xiàn)在我們已經(jīng)計算出了偏導數(shù) 、和，則和可分別表示為：