[基础]斯坦福cs231n课程视频笔记(二) 神经网络的介绍
Introduction to Neural Networks
BP
梯度反向传播BackPropagation,是神经网络中的重要算法,主要思想是:
计算网络的输出与期望输出之间的误差
将误差从网络的输出层回传,沿着网络逐层传递,传递的是损失值相对当前层里参数的梯度
当每一层都接收到该层的参数梯度时,沿着梯度方向更新参数
用更新后的网络参数来计算新的输出,再重新计算误差,误差梯度回传,循环上述过程直到参数收敛
结合计算图来理解:
computation graph 计算图
任何函数都可以拆成计算图的形式
绿色的部分,是每个计算节点的输入值和输出值,即forward pass
红色的部分,是网络最终输出对于每个节点的梯度= local gradient * 前一个节点的梯度,即backward pass
- 最终输出的节点
\[\frac{\partial f}{\partial f} = 1 \] - 对前一个节点的梯度:记 $f = \frac{1}{z} $ (z为中间变量的名称),
\[ \frac{\partial f}{\partial z} = \frac{\partial f}{\partial f} * \frac{\partial f}{\partial z} = 1 * \frac{-1}{1.37^2} =-0.53 \] - 对倒数第二个节点的梯度:记 $z = h+1 $,
\[ \frac{\partial f}{\partial h} = \frac{\partial f}{\partial z} * \frac{\partial z}{\partial h} = -0.53*1 =-0.53 \] - 对倒数第三个节点的梯度:记 \(h = e^m\) ,
\[ \frac{\partial f}{\partial m} = \frac{\partial f}{\partial h} * \frac{\partial h}{\partial m} = -0.53*e^{-1} =-0.20 \]
将一维推广到多维,现在假设W是 2 * 2,x是 2 维向量
【注意】
在全连接网络Fully Connected Network中,做反向传播时,误差对偏置bias的求导,需要对所有样本求和,这是因为loss就是对所有样本求和的结果,简单推理如下:
\[
shape \ of\ x:(N,D),\ shape\ of\ w:(D,), \ shape \ of \ b:(D,) \\
loss = \sum_{i=1}^N L_i \ , loss \ is \ a \ constant \\
d\ scores = \frac{d\ loss}{d\ scores} \ , shape \ is\ (N,D) \\
scores = wx + b \\
d\ b_j = \frac{d\ loss_j}{d\ b_j} = \frac{d\ loss}{d\ scores} * \frac{d\ scores}{d\ b} =\sum_i^N d\ scores_{ij} \\
<=> d\ b_j = \frac{d\ scores_{1j}+d\ scores_{2j}+...}{d\ b_j} \\ (d\ loss_j = \sum_i^N L_{ij} )
\]
Nerual Network
neural network are a class of functions where we have simpler functions that are stacked on top of each other with non-linear functions in-between.. and we stacked them in a hierarchical way in order to make up a more complex non-linear function
可以看做是线性函数的叠加,同时线性函数层之间还夹杂着非线性层,来使网络具有非线性
- 如果单纯全是线性层的话,网络的代表能力会比较差 即难以表示复杂的变化:想象一下 多个线性函数的叠加在一起得到的也是线性函数 而线性函数的表达能力比较差 比如二维坐标系x-y下的线性函数只是一条直线,当特征产生一些变化 输出必须随之变化
网络中不同线性函数层是在提取不同层次的特征,网络中较低的层提取低层的语义特征,越高层提取到的特征越抽象。比如:
- 网络有两层线性函数层,对于输入图像,第一层的特征(or templates)有专门检测左侧人脸的滤波器,和检测右侧人脸的滤波器;而第二层特征是对第一层提取出来的特征做weighted sum 可以理解为第二层的特征有专门检测人脸的滤波器
- 如果输入图像是左侧人脸,那么经过第一层特征提取之后,检测左侧人脸滤波器得到的结果(score)比检测右侧人脸滤波器得到的结果高,然后输入到第二层,经过第二层的特征提取之后,在检测人脸的滤波器得到的结果(score)比在检测车的滤波器得到的结果高,第二层的输出即为网络的输出。
- 如果输入图像是正面人脸,那么经过第一层,左侧人脸滤波器得到的结果可能大致等于右侧人脸滤波器的结果,而经过第二层之后,得到的输出仍然也是人脸的可能性高于车辆。
Convolutional Neural Network
参见之前的博文
最新文章
- Android Studio Jni 环境搭建
- java异常和spring事务注解
- Python基础:函数式编程
- 配置hibernate
- yii框架部署
- 使用Eclipse自带Web Service插件(Axis1.4)生成Web Service服务端/客户端
- 《zw版&#183;delphi与halcon系列原创教程》zw版_THImagex控件函数列表
- Linux常用的一些命令
- gcc编译选项的循环重复查找依赖库等命令
- Linux多线程实践(三)线程的基本属性设置API
- WPF自学入门(十)WPF MVVM简单介绍
- 【SSH系列】---Hibernate的基本映射
- 关于<;软件>;的定义
- Python数据可视化编程实战pdf
- [八]JavaIO之FileInputStream 与 FileOutputStream
- 「luogu3258」[JLOI2014] 松鼠的新家
- mongo索引命令
- [UE4]非常实用的插值Lerp
- 【2019北京集训2】duck 线段树优化建图+tarjan
- Python配置tab自动补全功能
热门文章
- 01 python的安装
- Node.js—基本知识
- pugixml的简单使用
- [C2P1] Andrew Ng - Machine Learning
- 剑指Offer-15.反转链表(C++/Java)
- python科学计算库-pandas
- 数论2&;莫&;杜
- SVG开发注意事项
- Codeforces Round #596 (Div. 2, based on Technocup 2020 Elimination Round 2) D. Power Products 数学 暴力
- python接口自动化3-发送post及其他请求