1. 神经元概述
神经网络是由一个个的被称为“神经元”的基本单元构成,单个神经元的结构如下图所示:
对于上述的神经元,其输入为,,以及截距,其输出为:
其中,表示的是向量,代表的是权重,函数称为激活函数,通常激活函数可以选择为Sigmoid函数,或者tanh双曲正切函数,其中,Sigmoid函数的形式为:
双曲正切函数的形式为:
以下分别是Sigmoid函数和tanh函数的图像,左边为Sigmoid函数的图像,右边为tanh函数的图像:
Sigmoid函数的区间为,而tanh函数的区间为。
若是使用sigmoid作为神经元的激活函数,则当神经元的输出为时表示该神经元被激活,否则称为未被激活。同样,对于激活函数是tanh时,神经元的输出为时表示该神经元被激活,否则称为未被激活。
2. 神经网络
2.1. 神经网络的结构
神经网络是由很多的神经元联结而成的,一个简单的神经网络的结构如下图所示:
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2kBGVAsn-1650777194062)(http://i.imgur.com/370RBZK.jpg)]
其中一个神经元的输出是另一个神经元的输入,项表示的是偏置项。上图是含有一个隐含层的神经网络模型,层称为输入层,层称为隐含层,层称为输出层。
2.2. 神经网络中的参数说明
在神经网络中,主要有如下的一些参数标识:
- 网络的层数。在上述的神经网络中,将第层记为,则上述的神经网络,输入层为,输出层为。
- 网络权重和偏置,其中表示的是第层的第个神经元和第层的第个神经元之间的连接参数,标识的是第层的第个神经元的偏置项。在上图中,,。
2.3. 神经网络的计算
在神经网络中,一个神经元的输出是另一个神经元的输入。假设表示的是第层的第个神经元的输入,假设表示的是第层的第个神经元的输出,其中,当时,。根据上述的神经网络中的权重和偏置,就可以计算神经网络中每一个神经元的输出,从而计算出神经网络的最终的输出。
对于上述的神经网络结构,有下述的计算:
从而,上述神经网络结构的最终的输出结果为:
上述的步骤称为前向传播,指的是信号从输入层,经过每一个神经元,直到输出神经元的传播过程。
2.4. 其他形式的神经网络模型
上述以单隐层神经网络为例介绍了神经网络的基本结构,在神经网络的结构中,可以包含多个隐含层,神经网络的输出神经单元也可以是多个,如下面的含多隐层多输出单元的神经网络模型:
2.5. 神经网络中参数的求解
对于上述神经网络模型,假设有个训练样本,对于一个训练样本,其损失函数为:
为了防止模型的过拟合,在损失函数中会加入正则项,即:
其中,表示的是损失函数,表示的是正则项。则对于上述的含有个样本的训练集,其损失函数为:
通常,偏置项并不放在正则化中,因为在正则化中放入偏置项只会对神经网络产生很小的影响。
我们的目标是要求得参数和参数以使得损失函数达到最小值。首先需要对参数进行随机初始化,即将参数初始化为一个很小的接近的随机值。
参数的初始化有很多不同的策略,基本的是要在附近的很小的邻域内取得随机值。
在随机初始化参数后,利用前向传播得到预测值,进而可以得到损失函数,此时需要利用损失函数对其参数进行调整,可以使用梯度下降的方法,梯度下降对参数的调整如下:
其中,$\alpha $称为学习率,在计算参数的更新公式中,需要使用到反向传播算法。
而,的具体形式如下:
反向传播算法的思路如下:对于给定的训练数据,通过前向传播算法计算出每一个神经元的输出值,当所有神经元的输出都计算完成后,对每一个神经元计算其“残差”,如第层的神经元的残差可以表示为。该残差表示的是该神经元对最终的残差产生的影响。这里主要分为两种情况,一是神经元为输出神经元,第二是神经元为非输出神经元。这里假设表示第层上的第个神经元的输入加权和,假设表示的是第层上的第个神经元的输出, 即。
- 对于输出层上的神经元,其残差为:
-对于非输出层,即对于各层,第层的残差的计算方法如下(以第层为例):
因此有:
对于神经网络中的权重和偏置的更新公式为:
2.6. 神经网络的学习过程
对于神经网络的学过程,大致分为如下的几步:
- 初始化参数,包括权重、偏置、网络层结构,激活函数等等
- 循环计算
- 正向传播,计算误差
- 反向传播,调整参数
- 返回最终的神经网络模型
参考文献
[1] 英文版:UFLDL Tutorial
[2] 中文版:UFLDL教程