【深度学习基础】简单易懂理解BP算法

川长思鸟来 2023-07-17 06:36 2阅读 0赞

### 文章目录 ###

*  前言
 *  1. 单层网络参数优化
 *   *  1.1 模型定义
     *  1.2 损失函数
     *  1.3 参数优化
 *  2. 多层网络的参数优化
 *   *  2.1 多层网络模型设计
     *  2.2 BP算法
 *  3. 总结
 *  4. 参考资料

本文属于我的机器学习/深度学习系列文章，[点此查看系列文章目录][Link 1]

# 前言 #

提起**BP算法**(Back Propagation)，相信学过深度学习的人都不陌生，在深层的网络中对权重参数的更新免不了要使用这个算法，所以**BP算法**也是入门深度学习的一个必须理解的算法。

写这篇文章的缘由是我自己对**BP算法**在此之前也是属于半懂（知道工作原理，不明白处理细节）的状态，看了网上许多文章，觉得讲的都不够简单，让刚入门的小白难以接受，产生劝退效果。因此，打算通过写一篇简单理解**BP算法**的文章，一方面提升自己对**BP**的理解，另一方面希望看到这篇文章的小伙伴能够掌握BP算法的原理，为以后的学习铺路。  
![在这里插入图片描述][2020032010321856.png_pic_center]

# 1. 单层网络参数优化 #

**BP算法**是针对深层次网络进行参数更新的算法，因此需要先理解单层网络下，权重是如何被更新的。

## 1.1 模型定义 ##

为了理解简便，我们采用最简单的线性分类模型  
 y = f ( x ) = w T x + b (1) \\mathbf y = f(\\mathbf x) = \\mathbf w^T\\mathbf x+b \\tag\{1\} y=f(x)=wTx\+b(1)  
从公式容易看出，输入是一个向量 x \\mathbf x x， w T \\mathbf w^T wT是参数矩阵， b b b是偏置（对这些不了解的可以先看我这篇[机器学习：线性分类问题（基础知识）][Link 2]）。转换成网络图如下：  
![在这里插入图片描述][20200320104137683.png_pic_center]

> 可以看出经过网络后，一个三维的输入向量转换成了一个二维的输出向量

例如得到输出向量为 y = \[ 0.7 , 0.3 \] \\mathbf y = \[0.7,0.3\] y=\[0.7,0.3\]而真实的数据是 y ^ = \[ 1 , 0 \] \\hat\{\\mathbf y\} = \[1,0\] y^=\[1,0\]，那么说明模型的参数还不符合预期，存在误差，这时候就要定义损失函数将误差计算出来。

## 1.2 损失函数 ##

损失函数是用于衡量预测输出和真实输出之间差距的，通常我们采用均方误差（有时候也用熵）：  
 l o s s ( y , y ^ ) = 1 2 ∑ i = 1 N ∣ ∣ y − y ^ ∣ ∣ 2 (2) loss(\\mathbf y,\\hat\{\\mathbf y\}) = \\frac\{1\}\{2\}\\sum\_\{i=1\}^N||\\mathbf y-\\hat\{\\mathbf y\}||^2 \\tag\{2\} loss(y,y^)=21i=1∑N∣∣y−y^∣∣2(2)

> 这里 N N N是输入的样本数量，每个样本输入都会得到一组 y , y ^ \\mathbf y,\\hat\{\\mathbf y\} y,y^

有了损失相当于告诉我们模型还不够完善，要对模型优化（就是对权重更新），如何更新的步骤就是参数优化算法要干的事了

## 1.3 参数优化 ##

相信大家也很熟悉参数优化采用的方式是**梯度下降算法**（更一般地是**随机梯度下降**），梯度下降的含义在于我们知道了误差，现在想要将误差减小，注意这里的参数是 w , b \\mathbf w,b w,b，你可以简单理解为 x , y x,y x,y一元函数优化的过程，下图展示了梯度下降：  
![在这里插入图片描述][20200320110357280.png_pic_center]  
如图，我们需要从实际的loss降到期望的最小loss，很显然，最快的方法就是验证导数最大的反方向下降，但是我们下降了一会，到了一个新的loss点的时候，原理的导数最大方向不是当前的导数最大方向了。因此，在**梯度下降算法**中常常有一个超参数叫做**学习率( α \\alpha α)**,它控制了梯度下降的步长，告诉我们走一段之后重新计算梯度，再往下走。当基本稳定在某个点的时候就不需要再继续下降了。

> 上面是梯度下降的过程，让我们理解参数是如何被优化的，但同时也可引出三个常见问题的答案
> 
>  *  梯度下降得到的最小loss是极值点，不是最值点
>  *  学习率不能太小，会使得收敛速度过慢，训练时间过长
>  *  学习率不能太大，会达不到区域最优，在附近震荡  
>     ![在这里插入图片描述][20200320111607596.png_pic_center]

到此一轮参数更新已经完成，实际训练中，往往要进行多个周期的更新达到更好的效果，即重复上面的步骤即可。

# 2. 多层网络的参数优化 #

上面的方法仅适用于单层（只有输入输出层）的参数优化，当遇到多层网络时，最后一层的参数依然可根据输出的损失，但如何将最后一层的损失传递到前一层，再更新前一层的参数就需要**BP算法**出马了。

## 2.1 多层网络模型设计 ##

同样为了简便理解，我们采用一个稍微简单一些的多层网络描述BP算法，网络结构如下：  
![在这里插入图片描述][20200320112617239.png_pic_center]

> 需要解释的地方是 f ( a 1 ) = o 1 f(a\_1) = o\_1 f(a1)=o1是， a 1 a\_1 a1是前面 x \\mathbf x x和 w , b \\mathbf w,b w,b计算得到结果， f f f表示激活函数，用于添加非线性操作，使得网络能够处理非线性问题。 o 1 o\_1 o1是该神经元的输出，也是下一层的输入

因此我们可以得到第 l l l层和 l − 1 l-1 l−1层的关系公式如下所示：  
 a l = w l o l − 1 + b o l = f ( a l ) (3) \\mathbf a\_l = \\mathbf w\_l \\mathbf o\_\{l-1\}+b\\\\ \\mathbf o\_l = f(\\mathbf a\_l) \\tag\{3\} al=wlol−1\+bol=f(al)(3)

其中前面一条与单层的时候类似，只是后面多了一个激活函数。因此我们可以将整个网络写成下面的方式(为了简便，参数 b b b省略)：  
 f 3 ( w 3 f 2 ( w 2 f 1 ( w 1 x ) ) ) = y (4) f\_3(\\mathbf w\_3f\_2(\\mathbf w\_2f\_1(\\mathbf w\_1\\mathbf x))) = y\\tag\{4\} f3(w3f2(w2f1(w1x)))=y(4)

> 说白了就是输入转换成输出再当输入，进行多次（可以理解成多个单层叠加）

## 2.2 BP算法 ##

我们用 C C C表示损失函数，依据公式 ( 3 ) (3) (3)，对任意层 l l l，将公式形式表达如下（将 w \\mathbf w w扩展成增广矩阵 W \\mathbf W W，b放到增广矩阵中）：  
 a l = W l o l − 1 = g ( W l ) o l = f ( a l ) (5) \\mathbf a\_l = \\mathbf W\_l \\mathbf o\_\{l-1\} = g(\\mathbf W\_l)\\\\ \\mathbf o\_l = f(\\mathbf a\_l) \\tag\{5\} al=Wlol−1=g(Wl)ol=f(al)(5)

> 最后一层输出 o L \\mathbf o\_L oL会被用于求损失函数 C C C

按照梯度下降原则，即 L L L对 l l l层参数求导,结合(5)采用求导链式法则  
 ∂ C ∂ W l = ∂ C ∂ a l ∂ a l ∂ W l = ∂ C ∂ a l ∂ W l o l − 1 ∂ W l = ∂ C ∂ a l o l − 1 T (6) \\frac\{\\partial C\}\{\\partial \\mathbf W\_l\} =\\frac\{\\partial C\}\{\\partial \\mathbf a\_l\}\\frac\{\\partial \\mathbf a\_l\}\{\\partial \\mathbf W\_l\} = \\frac\{\\partial C\}\{\\partial \\mathbf a\_l\} \\frac\{\\partial \\mathbf W\_l \\mathbf o\_\{l-1\}\}\{\\partial \\mathbf W\_l\} = \\frac\{\\partial C\}\{\\partial \\mathbf a\_l\}\\mathbf o\_\{l-1\}^T \\tag\{6\} ∂Wl∂C=∂al∂C∂Wl∂al=∂al∂C∂Wl∂Wlol−1=∂al∂Col−1T(6)

> 这里用到了矩阵求导法则 ∂ A x ∂ A = x T \\frac\{\\partial A\\mathbf x\}\{\\partial A\} = \\mathbf x^T ∂A∂Ax=xT

注意这部分出来了一个 ∂ C ∂ a l \\frac\{\\partial C\}\{\\partial \\mathbf a\_l\} ∂al∂C就是误差向量，我们用 ξ l \\bm\\xi\_l ξl表示，所谓误差反向传播，就是要将最后一层计算得到的误差传到前面层去，来更新前面的参数。因此我们考虑 l + 1 l+1 l\+1层和 l l l层的关系，利用链式法则将 l l l与 l + 1 l+1 l\+1联系，并根据公式 ( 5 ) (5) (5)引入 o l \\mathbf o\_l ol，最终的目的是要 ξ l \\bm \\xi\_l ξl的表达式中只包含 ξ l + 1 , W l + 1 \\bm \\xi\_\{l+1\},\\mathbf W\_\{l+1\} ξl\+1,Wl\+1，如下推导：

ξ l = ∂ C ∂ a l = ∂ C ∂ a l + 1 ∂ a l + 1 ∂ a l = ∂ C ∂ a l + 1 ∂ a l + 1 ∂ o l ∂ o l ∂ a l = ξ l + 1 ∂ W l + 1 o l ∂ o l f ′ ( a l ) = ξ l + 1 W l + 1 T f ′ ( a l ) (7) \\bm \\xi\_l = \\frac\{\\partial C\}\{\\partial \\mathbf a\_\{l\}\} = \\frac\{\\partial C\}\{\\partial \\mathbf a\_\{l+1\}\} \\frac\{\\partial \\mathbf a\_\{l+1\}\}\{\\partial \\mathbf a\_\{l\}\} \\\\ = \\frac\{\\partial C\}\{\\partial \\mathbf a\_\{l+1\}\} \\frac\{\\partial \\mathbf a\_\{l+1\}\}\{\\partial \\mathbf o\_l\}\\frac\{\\partial \\mathbf o\_\{l\}\}\{\\partial \\mathbf a\_\{l\}\} \\\\ = \\bm \\xi\_\{l+1\}\\frac\{\\partial \\mathbf W\_\{l+1\}\\mathbf o\_l\}\{\\partial \\mathbf o\_l\} f'(\\mathbf a\_l)\\\\ = \\bm \\xi\_\{l+1\}\\mathbf W\_\{l+1\}^Tf'(\\mathbf a\_l) \\tag\{7\} ξl=∂al∂C=∂al\+1∂C∂al∂al\+1=∂al\+1∂C∂ol∂al\+1∂al∂ol=ξl\+1∂ol∂Wl\+1olf′(al)=ξl\+1Wl\+1Tf′(al)(7)

> 这部分的推导可能稍微难理解，需要结合公式(5)对三个部分分别计算求导，将 a l + 1 , o l \\mathbf a\_\{l+1\},\\mathbf o\_l al\+1,ol分别替换再求导。矩阵对向量求导公式 ∂ A x ∂ x = A T \\frac\{\\partial A\\mathbf x\}\{\\partial \\mathbf x\} = A^T ∂x∂Ax=AT

现在 W l + 1 T , f ′ ( a l ) \\mathbf W\_\{l+1\}^T,f'(\\mathbf a\_l) Wl\+1T,f′(al)都是确定的，只要我们求得最后一层的误差向量 ξ L \\bm \\xi\_\{L\} ξL就可以推出倒数第二层的误差向量，再推出倒数第三层…

ξ L = ∂ C ∂ a L = ∂ 1 2 ∣ ∣ o L − y ∣ ∣ 2 ∂ a L = ∂ 1 2 ∣ ∣ f ( a L ) − y ∣ ∣ 2 ∂ a L = ( f ( a L ) − y ) f ′ ( a L ) (8) \\bm \\xi\_\{L\} = \\frac\{\\partial C\}\{\\partial \\mathbf a\_L\} = \\frac\{\\partial \\frac\{1\}\{2\}||\\mathbf o\_L-\\mathbf y||^2\}\{\\partial \\mathbf a\_L\} = \\frac\{\\partial \\frac\{1\}\{2\}|| f(\\mathbf a\_L)-\\mathbf y||^2\}\{\\partial \\mathbf a\_L\} \\\\ = (f(\\mathbf a\_L)-\\mathbf y)f'(\\mathbf a\_L) \\tag\{8\} ξL=∂aL∂C=∂aL∂21∣∣oL−y∣∣2=∂aL∂21∣∣f(aL)−y∣∣2=(f(aL)−y)f′(aL)(8)

下面我们就用 L L L层的误差向量去更新L层参数权重:

由公式(6)和梯度下降法知  
 W L = W L − α ∂ C ∂ W L = W L − α ξ L f ( a L ) = W L − α ( f ( a L ) − y ) f ( a L ) f ′ ( a L ) (9) \\mathbf W\_L = \\mathbf W\_L-\\alpha\\frac\{\\partial C\}\{\\partial \\mathbf W\_L\} = \\mathbf W\_L - \\alpha \\bm \\xi\_Lf(\\mathbf a\_L)\\\\ =\\mathbf W\_L - \\alpha (f(\\mathbf a\_L)-\\mathbf y)f(\\mathbf a\_L) f'(\\mathbf a\_L) \\tag\{9\} WL=WL−α∂WL∂C=WL−αξLf(aL)=WL−α(f(aL)−y)f(aL)f′(aL)(9)

当 L L L层的参数被更新后，计算倒数第二层的误差向量 ξ L − 1 \\bm \\xi\_\{L-1\} ξL−1，再去更新 L − 1 L-1 L−1层的参数，一直到第一层。

> 在这里我们也可以发现一个常见问题，为什么当网络层数过深的时候，会出现梯度消失的情况。注意到每一次的误差都是要乘上激活函数的导数的- 公 式 （ 8 ） 公式（8） 公式（8），因此，当采用`sigmod`这类当自变量较大，导数趋近于0的激活函数时，经过不断的累乘，会使得误差向量趋近于0，使得误差没办法传到前面几层。这种时候可以选用`RELU`这类梯度较为稳定的激活函数替换。

# 3. 总结 #

BP算法涉及到较为复杂的求导和更新，一遍读下来可能会觉得晕，不过不用急，多读几遍，将几个不理解的地方自己手动推导一下，我们总结一下BP的全过程，主要有以下几个步骤：

1.  正向传播得到预测输出
2.  将预测输出与真实输出根据损失函数计算误差
3.  根据误差更新参数权重- 公 式 ( 9 ) 公式(9) 公式(9)
4.  根据本层误差和本层的参数矩阵和激活函数的导数- 公 式 ( 7 ) 公式(7) 公式(7)求传递给前一层的误差
5.  重复3-4，直到第一层

> 这篇文章写了5k+字，主要是公式编辑很多，码字不易，如果觉得对你理解BP算法有帮助，不妨点个赞吧~

# 4. 参考资料 #

感谢前人的总结和详细的阐述，本文主要还是在前人基础上做了更细微一些的讲解，其中有些地方是我自己的理解，可能有错误或不到之处，欢迎指正批评～

*  [神经网络，BP算法的理解与推导][BP]
 *  张新峰.UCAS.BP算法

[Link 1]: https://www.gentlecp.com/articles/465.html
[2020032010321856.png_pic_center]: /images/20230528/8ceec5257501452493debf15bd0ac0ae.png
[Link 2]: https://blog.csdn.net/GentleCP/article/details/101626181
[20200320104137683.png_pic_center]: /images/20230528/e6a845b3b56f4d13b3d74f0576bee548.png
[20200320110357280.png_pic_center]: /images/20230528/9f0fbe192d4647048d9d2bea383faf60.png
[20200320111607596.png_pic_center]: /images/20230528/f498754aaee64ebca1c47012a15b3cf7.png
[20200320112617239.png_pic_center]: /images/20230528/dbb03044a0b94ef8b73249081d4a66e4.png
[BP]: https://zhuanlan.zhihu.com/p/45190898