老饼讲解-神经网络 机器学习 神经网络 深度学习
BP神经网络入门
1.初识BP神经网络
2.BP基本原理与建模
3.进阶-自实现一个BP神经网络

【推导】BP神经网络的梯度公式推导(三层结构)

作者 : 老饼 发表日期 : 2022-10-25 15:50:37 更新日期 : 2024-01-12 19:32:21
本站原创文章,转载请说明来自《老饼讲解-BP神经网络》www.bbbdata.com


BP神经网络的训练算法基本都涉及到梯度公式

本文提供三层BP神经网络的梯度公式和推导过程



    👉声明    


本文的推导较为繁杂,建议初学者直接跳过




   01. BP神经网络梯度公式-推导目标   



BP神经网络梯度推导是个复杂活,

在推导之前 ,本节先把BP神经网络梯度推导的目标清晰化



    BP神经网络梯度公式推导目标    


BP神经网络的训练算法很多,但各种训练算法一般都需要用到各个待求参数(w,b)在误差函数E中的梯度,
因此求出w,b在误差函数中的梯度就成为了必不可少的一环,
求BP神经网络的梯度公式,即求以下误差函数E对各个w,b的偏导:
 
 代表网络对第m个样本第k个输出的预测值,w,b就隐含在 中



    本文梯度公式目标   


虽然BP神经网络的梯度只是简单地求E对w,b的偏导,
但E中包含BP神经网络的表达式f(x),就变得非常庞大,
求偏导就成了极度艰巨晦涩的苦力活,对多层结构的BP神经网络梯度推导稍为抽象,
本文不妨以最常用的三层结构作为具体例子入手,求出三层结构的梯度公式
 即:输入层-隐层-输出层 (隐层传递函数为tansig,输出层传递函数为purelin)
✍️笔者语
 
虽然只是三层的BP神经网络梯度公式推导,
但整个梯度公式的推导过程,仍然不仅是一个体力活,还是一个细致活,
且让我们细细一步一步慢慢来




   02. BP神经网络表达式梳理    



由于BP神经网络的误差函数E中包含了网络的表达式

在对BP神经网络梯度推导之前,先将网络的表达式梳理清晰,有助于后面的推导



   梳理三层BP神经网络的表达式   


BP神经网络表达式的参考形式
隐层传递函数为tansig,输出层传递函数为purelin的三层BP神经网络,
有形如下式的数学表达式

 BP神经网络的表达式
BP神经网络表达式的通用矩阵形式
 写成通用的矩阵形式为

 


这里的
为矩阵,为向量,
上标
分别代表输出层(out)和隐层(hide),
特别地,需要注意,Wij代表的是:后层的第i个节点与前层的第j个节点连接权重
例如,2输入,4隐节点,2输出的BP神经网络可以图解如下:
 
 
 





   03. 三层BP神经网络梯度推导过程  



本节我们具体推导BP神经网络误差函数对每一个待求参数w,b的梯度



    简化BP神经网络梯度推导目标    


由于误差函数E的表达式较为复杂,
 不妨先将问题转化为"求单样本梯度"来简化BP神经网络梯度推导
 对于任何一个需要求偏导的待求参数w,都有:
 
即误差函数E的梯度,等于单个样本的误差函数的梯度之和的均值(E对b的梯度也如此),
因此,我们可以先推导单个样本的梯度,最后再对单样本梯度求和取均值即可
对于BP神经网络梯度推导,现在问题简化为求




      输出层权重的梯度推导   


输出层权重梯度推导
 输出层的权重为"输出个数*隐节点个数"的矩阵,
现推导任意一个权重wji (即连接第i个隐层与第j个输出的权重)的单样本梯度
如下:

 
事实上,只有第j个输出是关于 的函数,也即对于其它输出 
因此, 
上式即等于
继续求导


 是第j个输出的误差,简记为                         
是第i个隐节点的激活值,简记为(A即Active)

上式即可写为
                       
上述是单样本的梯度,
整体样本的梯度则应记为 

  

 为样本个数、输出个数                                         
是第m个样本第j个输出的误差      
是第m个样本第i个隐节点的激活值    



   输出层阈值的梯度推导   


输出层阈值梯度推导
对于阈值 (第j个输出节点的阈值)的推导与权重梯度的推导是类似的,
只是上述标蓝部分应改为

 
简记为
 
上述是单样本的梯度,
整体样本的梯度则应记为 
 
 为样本个数、输出个数                
是第m个样本第j个输出的误差      



    隐层权重的梯度推导   


隐层的权重为"隐节点个数*输入个数"的矩阵,
现推导任意一个权重
 (即连接第i个输入与第j个隐节点的权重)的单样本梯度
如下:
 


只有第j个tansig是关于 的函数,所以上式可以写成

 
继续求导
 
又由
所以上式为:

简写为
上述是单样本的梯度,对整体样本则有:
 
 为样本个数、输出个数                                              
是第m个样本第k个输出的误差        
是第m个样本第j个隐节点的激活值           
是第m个样本第i个输入                                                  



     隐层阈值的梯度推导   


隐层阈值梯度推导
对于阈值 (第j个隐节点的阈值)的推导与隐层权重梯度的推导是类似的,
只是蓝色部分应改为

又由
所以上式为:

简写为
上述是单样本的梯度,对整体样本则有:
 
 为样本个数、输出个数                                              
是第m个样本第k个输出的误差        
是第m个样本第j个隐节点的激活值         



   

   04. 三层BP神经网络梯度推导-结果总结  



本节整理上述三层BP神经网络梯度推导的结果



    三层BP神经网络梯度公式    


综合上述推导结果,BP神经网络梯度公式如下:
输出层梯度公式
输出层权重梯度:                                         
输出层阈值梯度:                                               
隐层梯度公式
隐层权重梯度:     
隐层阈值梯度:             
✍️符号说明
 为样本个数、输出个数                                               
是第m个样本第k个输出的误差        
是第m个样本第i个隐节点的激活值           
是第m个样本第i个输入                                                  



以上就是三层BP神经网络梯度公式推导的全部过程了~





 End 






联系老饼