Backpropagation 算法的推导与直观图解

摘要

本文是对 Andrew Ng 在 Coursera 上的机器学习课程中 Backpropagation Algorithm 一小节的延伸。文章分三个部分：第一部分给出一个简单的神经网络模型和 Backpropagation（以下简称 BP）算法的具体流程。第二部分以分别计算第一层和第二层中的第一个参数（parameters，在神经网络中也称之为 weights）的梯度为例来解释 BP 算法流程，并给出了具体的推导过程。第三个部分采用了更加直观的图例来解释 BP 算法的工作流程。

注：1. 为了方便讨论，省去了 Bias unit，并在第二部分的讨论中省去了 cost function 的正则化项

　　2. 如果熟悉 Ng 课程中使用的字符标记，则推荐的阅读顺序为：第一、第三、第二部分

第一部分 BP 算法的具体过程

图 1.1 给出了一个简单的神经网络模型（省去了 Bias unit）：

图 1.1 一个简单的神经网络模型

其中字符标记含义与 Ng 课程中的一致：

\(x_1, x_2, x_3 \) 为输入值，也即 \(x^{(i)}\) 的三个特征；

\(z^{(l)}_{(j)}\) 为第 l 层的第 j 个单元的输入值。

\(a^{(l)}_{(j)}\) 为第 l 层的第 j 个单元的输出值。其中 a = g(z)，g 为 sigmoid 函数。

\(\Theta_{ij}^{(l)}\) 第 l 层到 l+1 层的参数（权重）矩阵。

表 1.1 BP 算法的具体流程（Matlab 伪代码）

1    for i = m,

2        \(a^{(1)} = x ^{(i)};\)

3        使用前馈传播算法计算 \(a^{(2)}, a^{(3)};\)

4        \(\delta^{(3)} = a^{(3)} - y^{(i)};\)

5        \(\delta^{(2)} = (\Theta^{(2)})^T * \delta^{(3)} .* g\prime(z^{(2)});\) # 第 2 个运算符 ' .* ' 为点乘，即按元素操作

6        \(\Delta^{(2)} = \Delta^{(2)} + a^{(2)} * \delta^{(3)};\)

7        \(\Delta^{(1)} = \Delta^{(1)} + a^{(1)} * \delta^{(2)};\)

8    end;

第二部分 BP 算法步骤的详解与推导过程

BP 算法的目的在于为优化函数（比如梯度下降、其它的高级优化方法）提供梯度值，即使用 BP 算法计算代价函数（cost function）对每个参数的偏导值，其数学形式为：\(\frac{\partial}{\partial{\Theta^l_{ij}}}J(\Theta)\)，并最终得到的值存放在矩阵 \(\Delta^{(l)}\) 中。

其中 K 个输出的 J(Θ) 为：

\[J(\Theta) = -\frac{1}{m}\sum_{i=1}^m\sum_{k=1}^K[y^{(i)}_klog(h_\Theta(x^{(i)})_k) + (1-y_k^{(i)})log(1-h_\Theta(x^{(i)})_k)]\]

接下来，以计算 \(\Theta_{11}^{(1)}, \Theta_{11}^{(2)}\) 为例来给出 BP 算法的详细步骤。对于第 i 个训练用例的第 1 个特征，其代价函数为：

\[J(\Theta) = -[y^{(i)}_klog(h_\Theta(x^{(i)})_k) + (1-y_k^{(i)})log(1-h_\Theta(x^{(i)})_k)]    （式 1）\]

其中 \(h_\Theta(x) = a^{l} = g(z^{(l)})\), g 为 sigmoid 函数。

计算 \(\Theta_{11}^{(2)}\):

\[\frac{\partial J(\Theta)}{\partial \Theta_{11}^{(2)}} = \frac{\partial J(\Theta)}{\partial a_1^{3}} * \frac{\partial a_1^{(3)}}{\partial z_1^{(3)}} * \frac{\partial z_1^{(3)}}{\partial \Theta_{11}^{(2)}}    （式 2）\]

先取出式 2 中等号右边前两项，并将其记为 \(\delta_1^{(3)}\)：

\[\delta_1^{(3)} = \frac{\partial J(\Theta)}{\partial a_1^{3}} * \frac{\partial a_1^{(3)}}{\partial z_1^{(3)}}    （式 3）\]

这里给出 \(\delta^{(l)}\) 的定义，即：

\[\delta^{(l)} = \frac{\partial}{\partial z^{(l)}}J(\Theta)^{(i)}    （式 4）\]

对式 3 进行详细计算，即将 J(Θ)
对 \(z_1^{(3)}\) 求偏导（计算过程中简记为 z）：

\[\delta_1^{(3)} = \frac{\partial J(\Theta)}{\partial a_1^{(3)}} * \frac{\partial a_1^{(3)}}{\partial z_1^{(3)}}\]

\[=-[y * \frac{1}{g(z)}*g\prime(z) + (1-y)*\frac{1}{1 - g(z)}*(-g\prime(z))]\]

\[=-[y*(1-g(z))+(y-1)*g(z)]\]

\[=g(z)-y =a^{(3)-y}\]

其中用到了 sigmoid 函数的一个很好的性质：

\[g\prime(z)=g(z) * (1-g\prime(z))    （易证）\]

这样便得到了表 1.1 中 BP 算法的第四行过程。

接下来观察式 2 中等号右边最后一项  \(\frac{\partial z_1^{(3)}}{\partial \Theta_{11}^{(2)}}\)：

其中 \(z_1^{(3)}=\Theta_{11}^{(2)}*a_1^{(2)}+\Theta_{12}^{(2)}*a_2^{(2)}+\Theta_{13}^{(2)}*a_3^{(2)}\)，则易得：

\[\frac{\partial z_1^{(3)}}{\partial \Theta_{11}^{(2)}}=a_1^{(2)}    （式 5）\]

再回头观察最初的式 2，代入式 3 和式 5，即可得到：

\[\frac{\partial J(\Theta)}{\partial \Theta_{11}^{(2)}} = \delta_1^{(3)} * a_1^{(2)}\]

这样便推导出了表 1.1 中 BP 算法的第六行过程。

至此，就完成了对 \(\Theta_{11}^{(2)}\) 的计算。

计算 \(\Theta_{11}^{(2)}\)：

\[\frac{\partial J(\Theta)}{\partial \Theta_{11}^{(1)}} = \frac{\partial J(\Theta)}{\partial a_1^{3}} * \frac{\partial a_1^{(3)}}{\partial z_1^{(3)}}*\frac{\partial z_1^{(3)}}{\partial a_1^{(2)}}*\frac{\partial a_1^{(2)}}{\partial z_1^{(2)}}*\frac{\partial z_1^{(2)}}{\partial \Theta_{11}^{(1)}}    （式 6）\]

类似地，根据式 4 中对 \(\delta^{(l)}\) 的定义，可以把上式（即式 6）等号右边前四项记为  \(\delta_1^{(2)}\) 。即：

\[\delta_1^{(2)}=\frac{\partial J(\Theta)}{\partial a_1^{3}} * \frac{\partial a_1^{(3)}}{\partial z_1^{(3)}}*\frac{\partial z_1^{(3)}}{\partial a_1^{(2)}}*\frac{\partial a_1^{(2)}}{\partial z_1^{(2)}}    （式 7）\]

可以发现式 3 中的  \(\delta_1^{(3)}\)  是这个等式右边的前两项。

于是  \(\delta^{(l)}\)  的意义就体现出来了：它是用来保存上一次计算的部分结果。在计算  \(\delta^{(l-1)}\)  时，可以使用这个部分结果继续向下逐层求偏导。这样在神经网络特别复杂、有大量计算时就可以节省大量重复的运算，从而有效地提高神经网络的学习速度。

继续观察式 7，其等号右边第三项易算得（已知  \(z_1^{(3)}=\Theta_{11}^{(2)}*a_1^{(2)}+\Theta_{12}^{(2)}*a_2^{(2)}+\Theta_{13}^{(2)}*a_3^{(2)}\)）：

\[\frac{\partial z_1^{(3)}}{\partial a_1^{(2)}} = \Theta_{11}^{(2)}    （式 8）\]

式 7 等号右边最后一项为：

\[\frac{\partial a_1^{(2)}}{\partial z_1^{(2)}}=g\prime(z_1^{(2)})   （式 9） \]

将 \(\delta_1^{(3)}\)、式 8、式 9 代入式 7，即可得到：

\[\delta_1^{(2)}=\delta_1^{(3)}*\Theta_{11}^{(2)}*g\prime(z_1^{(2)})    （式 10）\]

这样便推导出了表 1.1 中 BP 算法第五行过程。

接下来继续计算式 6 中等号右边最后一项，已知  \(z_1^{(2)}=\Theta_{11}^{(1)}*a_1^{(1)}+\Theta_{12}^{(1)}*a_2^{(1)}+\Theta_{13}^{(1)}*a_3^{(1)}\)，易得：

\[\frac{\partial z_1^{(2)}}{\partial \Theta_{11}^{(1)}}=a_1^{(1)}    （式 11）\]

将式 10、式 11 代入最开始的式 6 即可得：

\[\frac{\partial J(\Theta)}{\partial \Theta_{11}^{(1)}} =\delta_1^{(2)} * a_1^{(1)}\]

如此，即可得到表 1.1 中 BP 算法的第七行过程。

至此，就完成了对 \(\Theta_{11}^{(1)}\) 的计算。

第三部分 BP 算法的直观图解

神经网络学习算法图概览

给定一个函数 f(x)，它的首要求导对象是什么？就是它的输入值，是自变量 x。那 f(g(x)) 呢？即把g(x) 当作一个整体作为它的输入值，它的自变量。那么 g(x) 这个整体就是它的首要求导对象。因此，一个函数的求导对象是它的输入值，是它的自变量。弄清楚这一点，才能在求多元函数偏导的链式法则中游刃有余。

图 3.1 自下而上，每一个框是上面一个框的输入值，也即上面一个框中函数的自变量。这张图明确了神经网络中各数据之间的关系——谁是谁的输入值，图中表现得非常清楚。上段提到一个函数的求导对象是它的输入值，那么通过图 3.1 就能非常方便地使用链式法则，也能清楚地观察到 BP 算法的流程（后面一个小节会给出一个更具体的 BP 流程图）。

对照文首给出的图 1.1 神经网络的模型图，应该很容易理解图 3.1 的含义，它大致地展现了神经网络的学习（训练）流程。前馈传播算法自下而上地向上计算，最终可以得到 \(a^{(3)}\)，进一步可以计算得到 J(Θ)。而 BP 算法自顶向下，层层求偏导，最终得到了每个参数的梯度值。下面一个小节将仔细介绍本文的主题，即 BP 算法的流程图解。

图 3.1 神经网络学习算法概览

BP 算法的直观图解

图 3.2 给出了 BP 算法的计算流程，并附上了具体的计算步骤。BP 算法的流程在这张图中清晰可见：自顶向下（对应神经网络模型为自输出层向输入层）层层求偏导。因为神经网络的复杂性，人们总是深陷于求多元函数偏导的泥潭中无法自拔：到底该对哪个变量求导？图 3.2 理顺了神经网络中各数据点之间的关系，谁是谁的输入值，谁是谁的函数一清二楚，然后就可以畅快地使用链式法则了。

图3.2 BP 算法流程

所以 BP 算法即反向传播算法，就是自顶向下求代价函数（J(Θ)）对各个参数（\(\Theta_{ij}^{(l)}\)）偏导的过程，对应到神经网络模型中即自输出层向输入层层层求偏导。在图 3.2 中，当反向传播到 \(a_1^{(2)}\) 结点时，遇到分叉路口：选择对 \(\Theta_{11}^{(2)}\) 求偏导，即可得到第二层的参数梯度。而若选择对 \(a_1^{(2)}\) 这条路径继续向下求偏导，就可以继续向下（即输出层）传播，继续向下求偏导，最终可得到第一层的参数梯度，于是就实现了 BP 算法的目的。在选择分叉路口之前，使用 \(\delta^{(l)}\) 来保存到达分岔路口时的部分结果（本文的第二部分对 \(\delta^{(l)}\) 做出了精确定义）。那么如果选择继续向下求偏导，则还可以使用这个部分结果继续向下逐层求偏导。从而避免了大量的重复计算，有效地提升了神经网络算法的学习速度。

因此可以观察到 BP 算法两个突出特点：

1) 自输出层向输入层（即反向传播），逐层求偏导，在这个过程中逐渐得到各个层的参数梯度。

2) 在反向传播过程中，使用 \(\delta^{(l)}\) 保存了部分结果，避免了大量的重复运算，因而该算法性能优异。

---

1. 转载时请在文首注明来源，谢谢。

2. 如果觉得本篇文章对你有帮助，还可以请我喝杯茶。: )