反向傳播算法（BP算法）是目前用來訓練人工神經(jīng)網(wǎng)絡(luò)的最常用且最有效的算法。作為谷歌機器學習速成課程的配套材料，谷歌推出一個演示網(wǎng)站，直觀地介紹了反向傳播算法的工作原理。

反向傳播算法對于快速訓練大型神經(jīng)網(wǎng)絡(luò)來說至關(guān)重要。本文將介紹該算法的工作原理。

簡單的神經(jīng)網(wǎng)絡(luò)

如上圖，你會看到一個神經(jīng)網(wǎng)絡(luò)，其中包含一個輸入節(jié)點、一個輸出節(jié)點，以及兩個隱藏層（分別有兩個節(jié)點）。

相鄰的層中的節(jié)點通過權(quán)重相關(guān)聯(lián)，這些權(quán)重是網(wǎng)絡(luò)參數(shù)。

激活函數(shù)

每個節(jié)點都有一個總輸入x、一個激活函數(shù)f(x)以及一個輸出y=f(x)。

f(x)必須是非線性函數(shù)，否則神經(jīng)網(wǎng)絡(luò)就只能學習線性模型。

常用的激活函數(shù)是S 型函數(shù)：

誤差函數(shù)

目標是根據(jù)數(shù)據(jù)自動學習網(wǎng)絡(luò)的權(quán)重，以便讓所有輸入?的預測輸出?接近目標?

為了衡量與該目標的差距，我們使用了一個誤差函數(shù)常用的誤差函數(shù)是?

正向傳播

首先，我們?nèi)∫粋€輸入樣本并更新網(wǎng)絡(luò)的輸入層。

為了保持一致性，我們將輸入視為與其他任何節(jié)點相同，但不具有激活函數(shù)，以便讓其輸出與輸入相等，即

現(xiàn)在，我們更新第一個隱藏層。我們?nèi)∩弦粚庸?jié)點的輸出y，并使用權(quán)重來計算下一層節(jié)點的輸入x。

然后，我們更新第一個隱藏層中節(jié)點的輸出。 為此，我們使用激活函數(shù)f(x)。

使用這兩個公式，我們可以傳播到網(wǎng)絡(luò)的其余內(nèi)容，并獲得網(wǎng)絡(luò)的最終輸出。

誤差導數(shù)

反向傳播算法會對特定樣本的預測輸出和理想輸出進行比較，然后確定網(wǎng)絡(luò)的每個權(quán)重的更新幅度。 為此，我們需要計算誤差相對于每個權(quán)重的變化情況。

獲得誤差導數(shù)后，我們可以使用一種簡單的更新法則來更新權(quán)重：

其中，是一個正常量，稱為“學習速率”，我們需要根據(jù)經(jīng)驗對該常量進行微調(diào)。

[注意] 該更新法則非常簡單：如果在權(quán)重提高后誤差降低了 ()，則提高權(quán)重；否則，如果在權(quán)重提高后誤差也提高了 ()，則降低權(quán)重。

其他導數(shù)

為了幫助計算，我們還為每個節(jié)點分別存儲了另外兩個導數(shù)，即誤差隨以下兩項的變化情況：

反向傳播

我們開始反向傳播誤差導數(shù)。 由于我們擁有此特定輸入樣本的預測輸出，因此我們可以計算誤差隨該輸出的變化情況。 根據(jù)我們的誤差函數(shù)，我們可以得出：

現(xiàn)在我們獲得了，接下來便可以根據(jù)鏈式法則得出?。

其中，當f(x)是 S 型激活函數(shù)時，

一旦得出相對于某節(jié)點的總輸入的誤差導數(shù)，我們便可以得出相對于進入該節(jié)點的權(quán)重的誤差導數(shù)。

根據(jù)鏈式法則，我們還可以根據(jù)上一層得出。此時，我們形成了一個完整的循環(huán)。

接下來，只需重復前面的 3 個公式，直到計算出所有誤差導數(shù)即可。

結(jié)束。