目录
链式法则
逻辑回归的正、反向传播
逻辑回归的正、反向传播案例
全连接神经网络的正、反向传播
全连接神经网络的正、反向传播案例
参考资料
|
链式法则 |
类型一：
类型二：
类型三：
|
逻辑回归的正、反向传播 |
逻辑回归可以看做最简单的神经网络，他只有一个神经元，损失函数选择的是对数损失，他的正向传播过程如下图所示：
逻辑回归可以看做最简单的神经网络，他只有一个神经元，损失函数选择的是对数损失，他的正向传播过程如下图所示：
接下来反向计算损失函数对每个变量的导数。如果你想直接求L对w1的导数是会产生很多重复计算的，回忆下链式求导法则就知道了。因此我们从右向左求导数，这样可以避免重复计算，也就是梯度反向传播的过程，如下图所示：
然后就可以更新w和b，更新模型了，即
非常简单吧，下面我们通过一个案例演示，看一下如何梯度反向传播（BP算法）是如何降低训练误差的。
|
逻辑回归的正、反向传播案例 |
假设最开始初始化
，本轮训练样本为[(2,3),0]，损失函数选用的对数损失，如下图所示：
可以看出在当前模型参数下，正向传播后，损失为2.859
接下来，使用BP算法更新模型参数，如下图所示：
如果再进行正向传播计算损失的话，可以发现，损失从2.859降低到1.682：
|
全连接神经网络的正、反向传播 |
上面举了一个单神经元使用对数损失做分类的例子，这里为了描述全面，阐述一下多神经元做分类的情况，下图是全连接神经网络正向传播的过程：
接下来反向计算损失函数对每个变量的导数。也就是梯度反向传播的过程，如下图所示：
然后就可以更新w和b，更新模型了，即
|
全连接神经网络的正、反向传播案例 |
假设最开始初始化所有w都等于0.5，所有的b都等于1，本轮训练样本为[(2,3),0]，损失函数选用的对数损失，如下图所示：
可以看出在当前模型参数下，正向传播后，损失为2.017
接下来，使用BP算法更新模型参数，如下图所示：
如果再进行正向传播计算损失的话，可以发现，损失从2.017降低到1.83：
对应代码：
View Code|
参考资料 |
吴恩达机器学习