TensorFlow系列专题（五）：BP算法原理

欢迎大家关注我们的网站和系列教程：http://www.tensorflownews.com/

，学习更多的机器学习、深度学习的知识！

一．反向传播算法简介

二．前馈计算的过程

第一层隐藏层的计算
第二层隐藏层的计算
输出层的计算

三．反向传播的计算

计算偏导数

四．参考文献

一．反向传播算法

反向传播算法[1]（Backpropagation Algorithm，简称BP算法）是深度学习的重要思想基础，对于初学者来说也是必须要掌握的基础知识，在这一小节里，我们会较为详细的介绍这一重点知识。

我们使用一个如图1所示的神经网络，该图所示是一个三层神经网络，两层隐藏层和一层输出层，输入层有两个神经元，接收输入样本，为网络的输出。

图1 一个三层神经网络

二．前馈计算的过程

为了理解神经网络的运算过程，我们需要先搞清楚前馈计算，即数据沿着神经网络前向传播的计算过程，以图1所示的网络为例：

输入的样本为：

第一层网络的参数为：

第二层网络的参数为：

第三层网络的参数为：

第一层隐藏层的计算

图2 计算第一层隐藏层

第一层隐藏层有三个神经元：neu1 、neu2 和neu3 。该层的输入为：

以 neu1神经元为例，则其输入为：

同理有：

假设我们选择函数作为该层的激活函数（图1中的激活函数都标了一个下标，一般情况下，同一层的激活函数都是一样的，不同层可以选择不同的激活函数），那么该层的输出为： f1(z1)、f2(z2) 和f3(z3) 。

·第二层隐藏层的计算

图3 计算第二层隐藏层

第二层隐藏层有两个神经元：neu4 和neu5 。该层的输入为：

即第二层的输入是第一层的输出乘以第二层的权重，再加上第二层的偏置。因此得到和的输入分别为：

该层的输出分别为： f4(z4)和f5(z5) 。

输出层的计算

图4 计算输出层

输出层只有一个神经元：neu6 。该层的输入为：

即：

因为该网络要解决的是一个二分类问题，所以输出层的激活函数也可以使用一个Sigmoid型函数，神经网络最后的输出为： f6(z6)。

三．反向传播的计算

上一小节里我们已经了解了数据沿着神经网络前向传播的过程，这一节我们来介绍更重要的反向传播的计算过程。假设我们使用随机梯度下降的方式来学习神经网络的参数，损失函数定义为，其中是该样本的真实类标。使用梯度下降进行参数的学习，我们必须计算出损失函数关于神经网络中各层参数（权重w和偏置b）的偏导数。

下面是基于随机梯度下降更新参数的反向传播算法：

输入：训练集：D={(xi,yi)}, i=1,2,…,N

学习率：γ

训练回合数（epoch）：T

初始化网络各层参数w(t) 和b(t)

for t=1 …T do

打乱训练集中样本的顺序

for i=1… N do

(1)获取一个训练样本，前馈计算每一层的输入和输出

(2)利用公式*反向传播计算每一层的误差项

(3)利用公式和公式*计算每一层参数的导数

(4)更新参数：

以上是BP算法的介绍，下次文章中有一个BP算法计算的完整示例，希望加深理解的读者可以跟着示例计算一遍。

四．参考文献

[1]. Learing representations by back-propagating erros.David E.Rumelhart,Geoffrey E.Hinton,Ronald J.Williams

本篇文章出自http://www.tensorflownews.com，对深度学习感兴趣，热爱Tensorflow的小伙伴，欢迎关注我们的网站！