大家好,欢迎来到IT知识分享网。
BP神经网络
首先给出只包含一个隐层的BP神经网络模型(两层神经网络):
BP神经网络其实由两部分组成:
- 前馈神经网络:神经网络是前馈的,其权重都不回送到输入单元,或前一层输出单元(数据信息是单向传播的,不会回流),区别于循环神经网络RNN。
- BP算法(Back Propagation):误差反向传播算法,用于更新网络中的权重。
BP神经网络思想:
- 表面上:1. 数据信息的前向传播,从输入层到隐含层,最后到输出层。2. 误差的反向传播:输出结果与真实结果的误差值,从输出层传递到隐含层,最后到输入层。
- 本质上:针对每个输入样本,采用随机梯度下降算法,动态更新网络中的权重和偏倚,以使网络的输出不断地接近期望的输出。
BP神经网络算法推导(更新权重和偏倚):
从上面推导可以发现:
- 对于任意从神经元i(输出神经元/隐层神经元)至 神经元j(隐层神经元/输出层神经元)的权重 wij ,其权重更新量 Δwij =学习步长 η × 前一层神经元的输出( xi 或 yj ) × 后一层神经元( yj 或 ok )的误差
- 神经元偏倚的变化量: ΔΘ =学习步长 η × 乘以神经元的误差
BP神经网络算法过程
- 网络的初始化:包括权重和偏倚的初始化
- 计算隐含层的输入输出
- 计算输出层的输入输出
- 误差的计算:隐层和输出层的误差
- 权值的更新:1. 输入层—隐层。2. 隐层—输出层
- 偏倚的更新:神经元的步长 η × 相应的误差err
- 判断算法迭代是否结束:1.超过迭代次数,2.相邻的两次误差之间的差别小于阈值等。
误差的反向传播描述
反向传播过程是这样的:输出层每个节点都会得到一个误差e( dk−ok ),把e作为输出层反向输入,这时候就像是输出层当输入层一样把误差往回传播,先得到输出层误差 errk ,然后将输出层 errk 根据连接权重往隐层传输,得到隐层误差 errj 。具体如下图所示(画的有点难看,将就看吧。。)
参考
- 数据挖掘:概念与技术 第三版
- http://blog.csdn.net/google19890102/article/details/32723459
- http://blog.csdn.net/google19890102/article/details/32723459
- http://www.jianshu.com/p/3d96dbf3f764
免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/21966.html