DL_10——间章(多层感知机、前馈神经网络、全连接网络和反向传播)

1 多层感知机&前馈神经网络&全连接网络

1.1 概述

1）前馈神经网络 (feedforward neural network)，又称作深度前馈网络(deep feedforward network)、多层感知机(multilayer perceptron，MLP)
顾名思义，该网络中没有反向传播反馈，因此无法自动修改网络参数。

2）全连接网络 (Full connection)
在该网络中，除输入层外，每个节点都和上一层的所有节点两两相连。

2 前向传播

2.1 神经元模型

神经元模型示意图如下：

其中，$x_i$表示输入，$w_i$表示权重，$z$表示输入和，$f$表示激活函数，$a$表示神经元输出。

由上图可以得出神经元模型的完整表达式：
$$\begin{gathered} z=\sum _{i=1}^n{w}_i{x}_i \\ a=f({\mathbf{w}}^T\mathbf{x}+b) \end{gathered}$$
其中$f()$表示激活函数，$\mathbf{w}$表示权重是一个列向量，$\mathbf{x}$表示输入是一个列向量，$b$表示偏置。

2.2 多层感知机(MLP)

如图所示，将多个神经元并列即可形成一层神经神经网络，将多层神经元按顺序排好，就可以组成一个具有多层的神经网络。

其中从左到右，依次为输入层(input layer)、隐藏层(hidden layer)、输出层(output layer)。其中隐藏层可以有多层，而输入层和输出层只能有一层。

在整个神经网络中，信号从左向右按层传输。每一层中的神经元没有信号传输，相邻层之间的神经元两两连接。

2.3 前向传播(Forward Propagation)

从MLP模型取其中的两个隐藏层：

其中，$l$层的输出为$a^l$，$l+1$层的输出为$a^{l+1}$，两层之间神经元两两相连，且权重为$w^l$。

对于$l+1$层中的一个神经元，其连接情况如图所示：

从图中可知，$l$层的神经元需要把信号传输给$l+1$层的神经元。

从中可以得出前向传播表达式：
$$\begin{gathered} z_i^{l+1}=\sum _{j=1}^n{w}_{ij}^l{a}_j^l \\ {a}_i^{l+1}=f(z_i^{l+1}) \end{gathered}$$
其中，$w_{ij}^l$ 表示第 $l$ 层中第 $j$ 个神经元与第 $l+1$ 层中第 $i$ 个神经元之间连接的权重 $w$ 。

3 反向传播算法(Backpropagation)

3.1 全连接网络中的反向传播

反向传播中传播的是就是梯度。

在神经网络中，将输出层的结果与label作对比，可以求出loss，然后用loss对权重 $w$ 和偏置 $b$ 可以求出权重 $w$ 和偏置 $b$ 的梯度，然后根据梯度下降算法就可以改变 $w$ 和 $b$ 的值。

然后根据链式法则，将梯度依次传回上一层，从而修改上一层的权重 $w$ 和偏置 $b$ ，如此反复直到输入层，至此即可完成一轮的参数更新。

设：

• 损失函数$L(w,b)$
• 神经元节点值$z_i^{l+1}={\sum }_{j=1}^n{w}_{ij}^l{a}_j^l$
• 残差${\delta }_i^l=\frac{\partial L(w,b)}{\partial z_i^l}$

所以损失函数对权重的偏导数与残差的关系如下：
$$\frac{\partial L(w,b)}{\partial w_{ij}^l}=\frac{\partial L(w,b)}{\partial z_i^{l+1}}\frac{\partial z_i^{l+1}}{\partial w_{ij}^l}={\delta }_i^{l+1}{a}_j^l$$
同理可得损失函数对偏置的偏导数与残差的关系如下：
$$\frac{\partial L(w,b)}{\partial b_i^l}=\frac{\partial L(w,b)}{\partial z_i^{l+1}}\frac{\partial z_i^{l+1}}{\partial b_i^l}={\delta }_i^{l+1}$$
然后再根据前向传播的方式可以推导出残差之间的关系如下：
$$\begin{gathered} {\delta }_i^l=\frac{\partial J}{\partial z_i^l} \\ =\sum _{j=1}^{n_{l+1}}\frac{\partial J}{\partial z_j^{l+1}}\cdot \frac{\partial z_j^{l+1}}{\partial z_i^l} \\ =\sum _{j=1}^{n_{l+1}}{\delta }_j^{l+1}\cdot \frac{\partial z_j^{l+1}}{\partial z_i^l} \\ =\sum _{j=1}^{n_{l+1}}{\delta }_j^{l+1}\cdot w_{ij}^l\dot{f}\left(z_i^l\right) \\ =\dot{f}\left(z_i^l\right)\cdot \left(\sum _{j=1}^{n_{l+1}}{\delta }_j^{l+1}\cdot w_{ji}^l\right) \end{gathered}$$
有了残差的传递关系之后，我们就可以求出每层 $w$ 和 $b$ 的梯度，从而更新每一层的 $w$ 和 $b$。
$$w_{ij}^l=w_{ij}^l-\eta a_i^l{\delta }_j^{l+1}$$
$$b_i^l=b_i^l-\eta {\delta }_j^{l+1}$$

未完待续。。。

2.2 卷积网络中的BP

2.2.1 卷积层BP

2.2.2 池化层BP

2.3 循环神经网络BP