标签：frac -- 李宏毅 pass 偏微分 计算 DW partial theta
文章目录
前言
这是我在Datawhale组队学习李宏毅机器学习的记录，既作为我学习过程中的一些记录，也供同好们一起交流研究，之后还会继续更新相关内容的博客。
背景
梯度下降
- 这是机器学习中的第三步
- θ \theta θ 是由weight 和 bias组成的向量
- 先选择一个初始的 θ 0 \theta^0 θ0，计算 θ 0 \theta^0 θ0 的损失函数（Loss Function），求对各个参数的偏微分
- 计算完这个向量（vector）偏微分，然后就可以去更新 θ \theta θ
- 注意，在训练中可能会出现百万级别的参数（millions of parameters）
- 这节课讲的反向传播（Backpropagation）将是一个比较有效率的算法，让你计算梯度（Gradient） 的向量（Vector）时，可以有效率的计算出来
链式法则
- 连锁影响（可以看出x会影响y，y会影响z)
- BP（反向传播）主要用到了chain rule
- 这就是简单的高数知识，多元函数的微分
反向传播
- 损失函数(Loss function)是定义在单个训练样本上的，也就是就算一个样本的误差，比如我们想要分类，就是预测的类别和实际类别的区别，是一个样本的，用L表示。
- 代价函数(Cost function)是定义在整个训练集上面的，也就是所有样本的误差的总和的平均，也就是损失函数的总和的平均，有没有这个平均其实不会影响最后的参数的求解结果。
- 总体损失函数(Total loss function)是定义在整个训练集上面的，也就是所有样本的误差的总和。也就是平时我们反向传播需要最小化的值。
注：2和3之间的差距就是是否求总和的平均。
对于
L
(
θ
)
L(\theta)
L(θ)就是所有
l
n
l^n
ln的损失之和，所以如果要算每个
L
(
θ
)
L(\theta)
L(θ)的偏微分，我们只要算每个
l
n
l^n
ln的偏微分，再把所有
l
n
l^n
ln偏微分的结果加起来就是
L
(
θ
)
L(\theta)
L(θ)的偏微分，所以等下我们只计算每个
l
n
l^n
ln的偏微分。 我们先在整个神经网络（Neural network）中抽取出一小部分的神经（Neuron）去看（也就是红色标注的地方）：
取出一个Neuron进行分析
从这一小部分中去看，把计算梯度分成两个部分
- 计算 ∂ z ∂ w \frac{\partial z}{\partial w} ∂w∂z（Forward pass的部分）
- 计算 ∂ l ∂ z \frac{\partial l}{\partial z} ∂z∂l （Backward pass的部分）
Forward Pass
那么，首先计算
∂
z
∂
w
\frac{\partial z}{\partial w}
∂w∂z（Forward pass的部分）：
根据求微分原理，forward pass的运算规律就是：
∂ z ∂ w 1 = x 1 \frac{\partial z}{\partial w_1} = x_1 ∂w1∂z=x1
∂
z
∂
w
2
=
x
2
\frac{\partial z}{\partial w_2} = x_2
∂w2∂z=x2
这里计算得到的
x
1
x_1
x1和
x
2
x_2
x2恰好就是输入的
x
1
x_1
x1和
x
2
x_2
x2 直接使用数字，更直观地看到运算规律：
Backward Pass
这部分就很困难复杂，因为这是最后一层： 那怎么计算 ∂ l ∂ z \frac{\partial l}{\partial z} ∂z∂l （Backward pass的部分）
计算所有激活函数的偏微分，激活函数有很多，这里使用Sigmoid函数为例
这里使用链式法则（Chain Rule）的case1，计算过程如下：
∂ l ∂ z = ∂ a ∂ z ∂ l ∂ a ⇒ σ ′ ( z ) \frac{\partial l}{\partial z} = \frac{\partial a}{\partial z}\frac{\partial l}{\partial a} \Rightarrow {\sigma}'(z) ∂z∂l=∂z∂a∂a∂l⇒σ′(z) ∂ l ∂ a = ∂ z ′ ∂ a ∂ l ∂ z ′ + ∂ z ′ ′ ∂ a ∂ l ∂ z ′ ′ \frac{\partial l}{\partial a} = \frac{\partial z'}{\partial a}\frac{\partial l}{\partial z'} +\frac{\partial z''}{\partial a}\frac{\partial l}{\partial z''} ∂a∂l=∂a∂z′∂z′∂l+∂a∂z′′∂z′′∂l
最终的式子结果：
从前往后看，我们的确无法直接求出 ∂ l ∂ z ′ ′ 和 ∂ l ∂ z ′ \frac{\partial l}{\partial z''}和\frac{\partial l}{\partial z'} ∂z′′∂l和∂z′∂l，但是你可以想象从尾到头来看这个事情，现在有另外一个神经元，把forward的过程逆向过来，而其中的 σ ′ ( z ) {\sigma}'(z) σ′(z)是常数，因为它在向前传播的时候就已经确定了
case 1: Output layer
假设
∂
l
∂
z
′
\frac{\partial l}{\partial z'}
∂z′∂l和
∂
l
∂
z
′
′
\frac{\partial l}{\partial z''}
∂z′′∂l是最后一层的隐藏层 也就是就是y1与y2是输出值，那么直接计算就能得出结果
但是如果不是最后一层，计算 ∂ l ∂ z ′ \frac{\partial l}{\partial z'} ∂z′∂l和 ∂ l ∂ z ′ ′ \frac{\partial l}{\partial z''} ∂z′′∂l的话就需要继续往后一直通过链式法则算下去
case 2 : Not Output Layer
对于这个问题，我们要继续计算后面绿色的
∂
l
∂
z
a
\frac{\partial l}{\partial z_a}
∂za∂l和
∂
l
∂
z
b
\frac{\partial l}{\partial z_b}
∂zb∂l,然后通过继续乘
w
5
w_5
w5和
w
6
w_6
w6得到
∂
l
∂
z
′
\frac{\partial l}{\partial z'}
∂z′∂l，但是要是
∂
l
∂
z
a
\frac{\partial l}{\partial z_a}
∂za∂l和
∂
l
∂
z
b
\frac{\partial l}{\partial z_b}
∂zb∂l都不知道，那么我们就继续往后面层计算，一直到碰到输出值，得到输出值之后再反向往输入那个方向走。
对上图，我们可以从最后一个
∂
l
∂
z
5
\frac{\partial l}{\partial z_5}
∂z5∂l和
∂
l
∂
z
6
\frac{\partial l}{\partial z_6}
∂z6∂l看，因为
∂
l
∂
z
a
\frac{\partial l}{\partial z_a}
∂za∂l和
∂
l
∂
z
b
\frac{\partial l}{\partial z_b}
∂zb∂l比较容易通过output求出来，然后继续往前求
∂
l
∂
z
3
\frac{\partial l}{\partial z_3}
∂z3∂l和
∂
l
∂
z
4
\frac{\partial l}{\partial z_4}
∂z4∂l，再继续求
∂
l
∂
z
1
\frac{\partial l}{\partial z_1}
∂z1∂l和
∂
l
∂
z
2
\frac{\partial l}{\partial z_2}
∂z2∂l 最后我们就得到下图的结果
综上所述，在求Backward Pass，我们要做的就是从output layer开始，一层层，从结尾计算到交汇处。
实际上进行backward pass时候和向前传播的计算量差不多，当在backward pass时会储存计算的中间结果，便于后期调试，但有时中间结果会特别大，就需要先用向前传播计算一部分，再用反向传播两头凑（向前传播不会储存中间值）。
总结
我们的目标是要求计算
∂
z
∂
w
\frac{\partial z}{\partial w}
∂w∂z（Forward pass的部分）和计算
∂
l
∂
z
\frac{\partial l}{\partial z}
∂z∂l ( Backward pass的部分 )，然后把
∂
z
∂
w
\frac{\partial z}{\partial w}
∂w∂z和
∂
l
∂
z
\frac{\partial l}{\partial z}
∂z∂l相乘，我们就可以得到
∂
l
∂
w
\frac{\partial l}{\partial w}
∂w∂l,所有我们就可以得到神经网络中所有的参数，然后用梯度下降就可以不断更新，得到损失最小的函数
标签：frac,--,李宏毅,pass,偏微分,计算,DW,partial,theta 来源： https://blog.csdn.net/m0_54546745/article/details/119860148
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。