前馈神经网络-反向传播(Back Propagation)公式推导走读

 

构造：输入神经元个数等于输入向量维度，输出神经元个数等于输出向量维度。（x1=(1,2,3),则需要三个输入神经元

 

一 前向后传播

 

隐层：

输出层：

 

一般化，向量表示  

 

 

二 反向传播

 

 

1计算梯度delta：均方误差，利用了sigmoid函数导数的有趣性。

输出层梯度： -->  eg. 

隐层梯度：  -->   eg. 

 

 

2更新权重：

eg输出层：

eg隐层：

 

---

 

备注 反向传播的公式推导

0目标函数：

1梯度下降法优化目标函数， 怎么计算出误差对于每个权重的偏导数呢？

2netj是第j个神经元的加权输入作为传导，链式求导法则 ： ,。

                   

区分输出层和隐藏层两种情况：

3.1 输出层： 借用yj作为传导，netj和Ed都是与yj有关的函数，链式求导法则：

第一项：     第二项：

带入，所以输出层梯度：

 

3.2隐层：借用节点的所有直接下游节点的集合Downstream(j)，链式法则：aj

 

 

带入求得梯度

 

 

备注：

激活函数： sigmoid函数是一个非线性函数，导数有趣，可用自身表示。

 

 

 

 

 参考：网络博客