理解神经网络的前向传播与反向传播机制:Python实战教程 - 第二步:反向传播详解
最编程
2024-07-24 21:58:34
...
1.计算总误差
总误差:(square error)
但是有两个输出,所以分别计算o1和o2的误差,总误差为两者之和:
#反向传播
Error = 1 / 2.0 * (y-l2)**2
print("Error",Error)
TotalE = np.sum(Error)
print("TotalE",TotalE)
Error [[0.27481108]
[0.02356003]]
TotalE 0.2983711087600027
2.隐含层---->输出层的权值更新:
以权重参数w5为例,如果我们想知道w5对整体误差产生了多少影响,可以用整体误差对w5求偏导求出:(链式法则)
下面的图可以更直观的看清楚误差是怎样反向传播的:
现在我们来分别计算每个式子的值:
计算:
计算
(这一步实际上就是对sigmoid函数求导,比较简单,可以自己推导一下)
计算
最后三者相乘:
这样我们就计算出整体误差E(total)对w5的偏导值。
回过头来再看看上面的公式,我们发现:
为了表达方便,用
来表示输出层的误差:
因此,整体误差E(total)对w5的偏导公式可以写成:
如果输出层误差计为负的话,也可以写成:
最后我们来更新w5的值:
(其中,
是学习速率,这里我们取0.5)
同理,可更新w6,w7,w8:
#隐含层---->输出层的权值更新
alphaE1 = - (y - l2)
alphaE2 = l2 * (1-l2)
alphaE3 = l1
print("alphaE1",alphaE1)
print("alphaE2",alphaE2)
print("alphaE3",alphaE3)
alphaE = alphaE1 * alphaE2 * alphaE3
print("alphaE",alphaE)
#更新权重
weightsT1 = weights[1] - i * alphaE
print("weightsT1",weightsT1)
alphaE1 [[ 0.74136507]
[-0.21707153]]
alphaE2 [[0.1868156 ]
[0.17551005]]
alphaE3 [[0.59326999]
[0.59688438]]
alphaE [[ 0.08216704]
[-0.02274024]]
weightsT1 [[0.35891648 0.40891648]
[0.51137012 0.56137012]]
3.隐含层---->隐含层的权值更新:
方法其实与上面说的差不多,但是有个地方需要变一下,在上文计算总误差对w5的偏导时,是从out(o1)---->net(o1)---->w5,但是在隐含层之间的权值更新时,是out(h1)---->net(h1)---->w1,而out(h1)会接受E(o1)和E(o2)两个地方传来的误差,所以这个地方两个都要计算。
计算
先计算
同理,计算出:
再计算
再计算
最后,三者相乘:
为了简化公式,用sigma(h1)表示隐含层单元h1的误差:
最后,更新w1的权值:
同理,额可更新w2,w3,w4的权值:
这样误差反向传播法就完成了,最后我们再把更新的权值重新计算,不停地迭代
#隐含层---->隐含层的权值更新:
alphaE41 = alphaE1 * alphaE2
alphaE42 = weights[1]
alphaE4 = alphaE41 * alphaE42
print("alphaE41",alphaE41)
print("alphaE42",alphaE42)
print("alphaE4",alphaE4)
alphaE4s = alphaE4[0] + alphaE4[1]
print("alphaE4s",alphaE4s)
alphaE5 = l1 * (1 - l1)
print("alphaE5",alphaE5)
alphaE6 = l0
print("alphaE6",alphaE6)
alphaEE = alphaE4s * alphaE5 * alphaE6
print("alphaEE",alphaEE)
#更新权重
weightsT2 = weights[0] - i * alphaEE
print("weightsT2",weightsT2)
alphaE41 [[ 0.13849856]
[-0.03809824]]
alphaE42 [[0.4 0.45]
[0.5 0.55]]
alphaE4 [[ 0.05539942 0.06232435]
[-0.01904912 -0.02095403]]
alphaE4s [0.03635031 0.04137032]
alphaE5 [[0.24130071]
[0.24061342]]
alphaE6 [[0.05]
[0.1 ]]
alphaEE [[0.00043857 0.00049913]
[0.00087464 0.00099543]]
weightsT2 [[0.14978072 0.19975043]
[0.24956268 0.29950229]]
推荐阅读
-
理解神经网络:向前推进(前向传播)与向后修正(BP反向传播)算法详解及计算原理
-
理解BP神经网络:前向计算与反向传播的实际应用示例
-
详解神经网络的前向传播与反向传播计算公式步骤
-
用一个实例深入理解神经网络的前向传播与反向传播机制
-
使用Keras基础教程:自建理解 - 前向传递与反向传播的实战讲解
-
理解深度学习:神经网络基础(三) - 前向传播、反向传播与计算图详解
-
理解LSTM:前向传播与反向传播的机制详解
-
从基础的感知机到深度学习的神经网络:前向计算、反向传播与Python实战指南
-
理解神经网络的前向传播与反向传播机制:Python实战教程 - 第二步:反向传播详解
-
深入理解CNN(2):详解卷积神经网络的前向传播流程 (实战Python实现)