［ufldl］Supervised Neural Networks

要实现的部分为：forward prop, softmax函数的cost function，每一层的gradient，以及penalty cost和gradient。

• forwad prop

forward prop是输入sample data，使sample data通过神经网络后得到神经网络输出的过程。

以分类问题来说，不同层的输入和输出如下表所示：

层	输入	输出
输入层	sample data	feature map
隐藏层	feature map	feature map
输出层	feature map	probabilities of each potential class

 

 

 

所以输入层的输出是sigmoid(W¹X+b¹)，隐藏层的输出是sigmoid(W^lz^l-1+b^l)，而输出层的输出是最终的概率：exp(Wz+b)。代码如下

%% forward prop
%%% YOUR CODE HERE %%%
%隐藏层

for l = 1:numHidden
    if(l == 1)
        z = stack{l}.W * data;
    else
        z = stack{l}.W * hAct{l-1};
    end
    z = bsxfun(@plus,z,stack{l}.b);%%z:256*60000 b:256*1
    hAct{l} = 1./(1+exp(-z));
end
%输出层
h  = exp(bsxfun(@plus,stack{numHidden+1}.W * hAct{numHidden},stack{numHidden+1}.b));
pred_prob = bsxfun(@rdivide,h,sum(h,1));
hAct{numHidden+1} = pred_prob;%最后一层输出的实际上是预测的分类结果

• softmax函数的cost function

这一步和之前的softmax差别在教程中说的很清楚了：“Note that instead of making predictions from the input data x the softmax function takes as input the final hidden layer of the network”。即分类器的输入不是input data，而是最后一层隐藏层输出的feature map，所以softmax函数的cost function如下：

红框中的h就是输出层输出的概率向量pred_prob。代码如下，细节课参见原始的softmax

%% compute cost计算softmax函数的损失函数
%%% YOUR CODE HERE %%%
logp = log2(pred_prob);
index = sub2ind(size(logp),labels',1:size(pred_prob,2));
ceCost = -sum(logp(index));

• 计算每一层的gradient

BP(BackPropagation)算法方便的计算了每一层的对应的梯度

其中a是l层的激励(wx+b)，δ是每一层的error。

这个公式个人认为有问题，正确的公式应该是：

也就是说l层的W由l－1层的激励和l层的error得到，而不是上述l层的激励和l+1层的error。同样的，cost function对b的导数也应该由下述公式得到：

即由l层的error得到，而不是l+1层的error得到。后面代码实现的时候也是根据这两个公式。

也有可能是我理解错了，欢迎大神指出～详细的推倒过程可以参见这里。

对于输出层，我们很容易用groun_truth_label - output的方式计算error，而对于隐藏层，则要用下面的公式计算error：

δ^l ＝ Wδ^l+1 * f'(z^l)

其中z是wx+b，f是sigmoid函数，这个函数有一个很好的性质就是：f'(x) = f(x) * (1-f(x)), 计算起来非常方便。代码如下：

%% compute gradients using backpropagation

%%% YOUR CODE HERE %%%
%输出层
output = zeros(size(pred_prob));
output(index) = 1;
error = pred_prob - output;

for l = numHidden+1 : -1 :1
    gradStack{l}.b = sum(error,2);
    if(l == 1)
        gradStack{l}.W = error * data';
        break;
    else
        gradStack{l}.W = error * hAct{l-1}';
    end
    error = (stack{l}.W)'*error .* hAct{l-1} .* (1-hAct{l-1});%此处的error对应是l-1层的error
end

• 计算penalty cost和gradient

这里主要是为了防止过拟合，所以对w加了一个正则项。最终的cost function由误差和对w约束的正则项共同组成，cost function对w的导数中也多了一项正则项对w的求导，代码如下：

%% compute weight penalty cost and gradient for non-bias terms
%%% YOUR CODE HERE %%%
%penalty cost
wCost = 0;
for l = 1:numHidden+1
    wCost = wCost + 0.5*ei.lambda * sum(stack{l}.W(:) .^ 2);
end
cost = ceCost + wCost;

%gradient for non-bias terms
for l = numHidden:-1:1
    gradStack{l}.W = gradStack{l}.W + ei.lambda * stack{l}.W;
end

参考资料：

［1］http://neuralnetworksanddeeplearning.com/chap2.html

［2］http://ufldl.stanford.edu/tutorial/supervised/MultiLayerNeuralNetworks/

［3］http://blog.csdn.net/lingerlanlan/article/details/38464317