TensorFlow从0到1 - 10 - NN基本功：反向传播

TensorFlow从0到1系列回顾

上一篇 9 “驱魔”之反向传播大法引出了反向传播算法——神经网络的引擎，并在最后窥探了它的全貌。本篇将详细的讨论反向传播各方面的细节。尽管它被TensorFlow封装的很好，但仍强烈建议把它作为人工神经网络的基本功，理解并掌握它，回报巨大。

《Neural Network and Deep Learning》的作者Nielsen写道：

It actually gives us detailed insights into how changing the weights and biases changes the overall behaviour of the network. That's well worth studying in detail.

实际上它（反向传播算法）给了我们更加细致的洞察：如何通过改变权重和偏置来改变网络的整体行为。非常值得深入的学习。

好在这里面最困难的——推导反向传播四大公式，也并非看上去那么难：keep calm and use chain rule（链式求导法则）。

chain rule

先说前馈

为了能说清楚“反向传播”（Backpropagation），得先从“前馈”（Feedforward）说起。

到目前为止讨论的神经网络，都是以上一层的输出，作为下一层的输入，其中没有回路。也就是说网络中的信息总是从输入层向输出层传播，不存在反馈（Feedback）。这样的网络就是前馈神经网络。

对于前馈神经网络，当确定了网络的层数，每层神经元的个数，以及神经元的激活函数，那么给定输入，通过“层层前馈”就能计算输出。用a_j^l来表示第l层中第j个神经元的输出，那么输出的表达式为：

上式是l层第j个单个神经元的输出表达式，如果用矩阵来表示某一层所有神经元的输出的话，形式会更加的简单和优美：

上式表示了l层神经元的输出与输入（也就是上一层神经元的输出）之间的关系。

为了对上式的矩阵操作看的更加清晰，仍用之前的3层感知器网络举例。

3层感知器

简单回顾下矩阵的乘法的行列约束：A_lm·B_mn=C_ln，即一个l行m列的矩阵A与一个m行n列的矩阵B相乘，那么结果矩阵C是l行n列。

套用a^l的公式，计算a²(第二层输出)：

等价的微观视角：

有了前馈表达式，就可以计算出网络各层的输出a^l，乃至最终的输出a^L（L代表网络的总层数）。这样，当前模型的损失也能计算出来了，仍以均方误差（MSE）作为损失函数：

B-O-F-2 损失函数

用a^L(x)代替下式中的output(x)，有：

B-N-F-7 损失函数

其中对于单个独立样本C_x来说，有：

B-N-F-8 单个样本的损失函数

从上式的形式上来看，也可以把损失C_x看成神经网络输出a^L的函数。

什么在反向传播？

前面介绍了信息的前馈，也明说了信息没有“反向回馈”。那么当我们在说反向传播时，我们在说什么？

答案是“神经元的误差”，“误差”在反向传播。

为了能从形式上看到这个“误差”，对于第l层的第j个神经元，定义神经元误差：

B-N-F-9 误差

它是一个纯粹的形式定义，表达式的含义是：某个神经元的误差是损失函数C对于该神经元加权输入z的偏导数，其中加权输入z就是神经元激活函数的输入：

B-N-F-10 加权输入

之所以说误差会沿着网络反方向传播，主要基于对反向传播第2个公式的（BP2）的观察和理解。BP2显示：被定义为神经元误差的δ^l，是由比它更靠近输出层神经元的误差δ^l+1决定的：

BP2

基于这个数学形式，可以非常清晰和形象的看到“误差”的确是在反方向传播。

再次列出反向传播4大公式：

BP1 BP2 BP3 BP4

此时回看BP1，就会意识到BP1与BP2配合之强大了：只要通过BP1计算出输出层的δ^L，那么就可以通过BP2“层层反传”，计算出任意一层的δ^l。而损失函数C对于任意层中的w^l和b^l偏导数也就可以通过BP3和BP4得到了。

推导前的两个准备

Hadamard乘积

在BP1与BP2中都用到了一个符号“⊙”，它连接两个矩阵完全相同的矩阵，表示Hadamard（哈达玛）乘积。它的运算规则非常的简单（仅次于矩阵加减法），就是两矩阵的对应元素相乘。一个例子：

Hadamard乘积

链式求导法则

多变量链式求导法则，来源：khanacademy.org

BP1推导

BP1的另一种表达方式是分量表达式，对其进行推导。

BP1

对δ_j^l的定义，运用链式求导法则：

推导BP1：1

只有当k=j时，a_k=j^L才与z_j^L有关系（a_j^L = σ(z_j^L)）。k≠j时，∂a_k^L/∂z_j^L就消失了：

推导BP1：2

因为a_j^L = σ(z_j^L)，上式中∂a_j^L/∂z_j^L可以写为σ^'(z_j^L)，即推导出BP1：

BP1

BP1给出了计算δ_j^l的方法，计算起来比看上去要简单的多。把δ_j^l的计算拆分成左右两个部分：∂C/∂a_j^L和σ^'(z_j^L)。

如果我们使用均方差作为损失函数C，那么单个样本的情况下有：

B-N-F-8 单个样本的损失函数

所以∂C/∂a_j^L = (a_j - y_j)。

如果σ是sigmoid函数，有σ^'(x) = σ(x) * (1 - σ(x))（可自行证明）。那么σ^'(z_j^L) = σ(z_j^L) * (1 - σ(z_j^L))，其中z_j^L是通过前馈计算获得的。

BP2推导

对BP2的分量表达式进行推导：

BP2

BP2会稍微复杂一点。要想办法将δ_k^l+1 = ∂C/∂z_k^l+1引入，仍然应用链式求导法则：

推导BP2：1

为了求∂z_k^l+1/∂z_j^l，根据定义有：

推导BP2：2

计算∂z_k^l+1/∂z_j^l，得到

推导BP2：3

再将上式代回[推导BP2：1]，即推导出BP2：

BP2

BP3推导

BP3是求取损失C对于偏置b的偏导数，性质非常好，居然就是δ_j^l本身：

BP3

利用链式求导法则，引入∂C/∂z_j^l：

推导BP3：1

因为有：

推导BP3：2 推导BP3：3

即推出BP3:

BP3

BP4推导

BP4是求取损失C对于偏置w的偏导数:

BP4

利用链式求导法则，引入∂C/∂z_j^l：

推导BP4：1 推导BP4：2 推导BP4：3

即推出BP4:

BP4

如果没有反向传播算法

之前提到，由于神经网络的权重参数过多，通过解偏导数方程来得到梯度是不现实的。那么在反向传播算法被应用之前，难道就真的没有任何办法吗？答案是有的，利用导数的定义即可：

导数定义

w_j表示第j个权重，对于w_j上一个非常小的增量，通过网络的层层传递，最终会导致的损失函数的变化。在上式中，对w_j求导，可以近似成等式右边的形式。对于偏置求导也是同理。

这个算法并不复杂，易懂易实现。看似比反向传播四大公式简单很多。

接下来我们算下计算量的帐，就不那么美好了。假设整个网络中有30000个权重（现实中非常小巧的网络），那么对于每一个样本，要得到“损失”对所有30000个参数的偏导，就要进行30001次前向传播计算（多出的1次零头是求初始的C(w)）。这是因为对每个权重求偏导，都需要获得当前的“损失”，而“损失”是由网络最后一层输出决定的。

对于海量的训练样本，以及现实中更加庞大的网络结构，计算量就是天文数字了。

反观反向传播算法，尽管其公式刚开始看上去有些凌乱（其实看久了是十分具有美感的），但是对于每一个样本，一趟前向传播，再加一趟反向传播，30000个权重就可以全部计算出来了。这才让大规模的网络训练具有了现实意义。

上一篇 9 “驱魔”之反传大法
下一篇 11 74行Python实现手写体数字识别

---

共享协议：署名-非商业性使用-禁止演绎（CC BY-NC-ND 3.0 CN）
转载请注明：作者黑猿大叔（简书）