BP（backpropagation)神经网络学习笔记

BP（backpropagation)神经网络学习笔记

w:权重
θ：偏向
以下是我对B-P神经网络的理解：BP神经网络由3个层组成。上图是一个二层神经网络，下一层的输出都是由上一层计算得来
,最后得出输出层的输出即上图第六个小圆。然后再由此往回递推，计算出新的权重和偏向并更新。以此来减小误差。
注：其实我没搞明白神经网络算法的目的是为了什么，我考完试就更新此项。

接下来一步一步整理该算法的计算步骤：

从左往右：

已知：w,θ,输入层数据。
未知：4，5，6的输出，设为O₄,O₅,O₆。
以O₄为例：
I₄=x₁*w₁₄+…+x₃*w₃₄+θ₄
O₄=1/(1+e^-I₄)

注：我看了两篇实现BP网络算法的代码，都没有加上偏向(θ),所以这个偏向是可加不可加的吗？
I:上一层数据与权重（w)相乘再加上偏向(θ)的值;
接下来我们对I这个值进行非线性转化得到各层的输出公式；
即：

O=1/(1+e^-I)

从右往左：接下来反向递推出权重和偏向。
首先计算误差：
对于输出层：E₆=O₆(1-O₆)(T₆-O₆)
T:输出层的标签值，我看过很多关于BP的介绍，我一直以为只有输入层才会初始化，一直没理解输出层也会初始化，写博客也一直卡在这。所以T是程序一开始对输出层的赋值。
所以关于输出层的误差公式是：E_j=O_j(1-O_j)(T_j-O_j)

对于隐藏层误差公式：
E_j=O_j(1-O_j)$\sum$w_jkE_k
E_k是下一层的误差。

对于权重和偏向的更新：
$\Delta$w_ij=lrE_jO_j
w_ij=w_ij+$\Delta$w_ij
lr:学习率（learning rate)
此公式中的误差和输出都是对应和权重相连的那个节点。
$\Delta$θ=lrE_j
θ=θ+$\Delta$θ

以上内容就是BP算法的计算步骤。

终止整个算法的条件：
1.设置循环次数。
2.权重的更新低于某个值。
3.误差低于某个值。

注：初始的权重，偏向以及学习率都是自己设置的，学习率不需要更新。权重和偏向都是在-1~1或 0.5~-0.5之间。
学习率是0~1之间。