转 神经网络

神经网络在解决一些复杂的非线性分类问题时，相对于线性回归、逻辑回归，都被证明是一个更好的算法。其实神经网络也可以看做的逻辑回归的组合（叠加，级联等）。

一个典型神经网络的模型如下图所示：

上述模型由3个部分组成：输入层、隐藏层、输出层。其中输入层输入特征值，输出层的输出作为我们分类的依据。例如一个20*20大小的手写数字图片的识别举例，那么输入层的输入便可以是20*20=400个像素点的像素值，即模型中的a1；输出层的输出便可以看做是该幅图片是0到9其中某个数字的概率。而隐藏层、输出层中的每个节点其实都可以看做是逻辑回归得到的。逻辑回归的模型可以看做这样（如下图所示）：

有了神经网络的模型，我们的目的就是求解模型里边的参数theta，为此我们还需知道该模型的代价函数以及每一个节点的“梯度值”。

代价函数的定义如下：

代价函数关于每一个节点处theta的梯度可以用反向传播算法计算出来。反向传播算法的思想是由于我们无法直观的得到隐藏层的输出，但我们已知输出层的输出，通过反向传播，倒退其参数。

我们以以下模型举例，来说明反向传播的思路、过程：

该模型与给出的第一个模型不同的是，它具有两个隐藏层。

为了熟悉这个模型，我们需要先了解前向传播的过程，对于此模型，前向传播的过程如下：

其中，a1，z2等参数的意义可以参照本文给出的第一个神经网络模型，类比得出。

然后我们定义误差delta符号具有如下含义（之后推导梯度要用）：

误差delta的计算过程如下：

然后我们通过反向传播算法求得节点的梯度，反向传播算法的过程如下：

有了代价函数与梯度函数，我们可以先用数值的方法检测我们的梯度结果。之后我们就可以像之前那样调用matlab的fminunc函数求得最优的theta参数。

需要注意的是，在初始化theta参数时，需要赋予theta随机值，而不能是固定为0或是什么，这就避免了训练之后，每个节点的参数都是一样的。

下面给出计算代价与梯度的代码：

[plain] view plaincopy

1. function [J grad] = nnCostFunction(nn_params, ...
2. input_layer_size, ...
3. hidden_layer_size, ...
4. num_labels, ...
5. X, y, lambda)
6. %NNCOSTFUNCTION Implements the neural network cost function for a two layer
7. %neural network which performs classification
8. %   [J grad] = NNCOSTFUNCTON(nn_params, hidden_layer_size, num_labels, ...
9. %   X, y, lambda) computes the cost and gradient of the neural network. The
10. %   parameters for the neural network are "unrolled" into the vector
11. %   nn_params and need to be converted back into the weight matrices.
12. %
13. %   The returned parameter grad should be a "unrolled" vector of the
14. %   partial derivatives of the neural network.
15. %
16. % Reshape nn_params back into the parameters Theta1 and Theta2, the weight matrices
17. % for our 2 layer neural network
18. Theta1 = reshape(nn_params(1:hidden_layer_size * (input_layer_size + 1)), ...
19. hidden_layer_size, (input_layer_size + 1));
20. Theta2 = reshape(nn_params((1 + (hidden_layer_size * (input_layer_size + 1))):end), ...
21. num_labels, (hidden_layer_size + 1));
22. % Setup some useful variables
23. m = size(X, 1);
24. % You need to return the following variables correctly
25. J = 0;
26. Theta1_grad = zeros(size(Theta1));
27. Theta2_grad = zeros(size(Theta2));
28. % ====================== YOUR CODE HERE ======================
29. % Instructions: You should complete the code by working through the
30. %               following parts.
31. %
32. % Part 1: Feedforward the neural network and return the cost in the
33. %         variable J. After implementing Part 1, you can verify that your
34. %         cost function computation is correct by verifying the cost
35. %         computed in ex4.m
36. %
37. % Part 2: Implement the backpropagation algorithm to compute the gradients
38. %         Theta1_grad and Theta2_grad. You should return the partial derivatives of
39. %         the cost function with respect to Theta1 and Theta2 in Theta1_grad and
40. %         Theta2_grad, respectively. After implementing Part 2, you can check
41. %         that your implementation is correct by running checkNNGradients
42. %
43. %         Note: The vector y passed into the function is a vector of labels
44. %               containing values from 1..K. You need to map this vector into a
45. %               binary vector of 1‘s and 0‘s to be used with the neural network
46. %               cost function.
47. %
48. %         Hint: We recommend implementing backpropagation using a for-loop
49. %               over the training examples if you are implementing it for the
50. %               first time.
51. %
52. % Part 3: Implement regularization with the cost function and gradients.
53. %
54. %         Hint: You can implement this around the code for
55. %               backpropagation. That is, you can compute the gradients for
56. %               the regularization separately and then add them to Theta1_grad
57. %               and Theta2_grad from Part 2.
58. %
59. J_tmp=zeros(m,1);
60. for i=1:m
61. y_vec=zeros(num_labels,1);
62. y_vec(y(i))=1;
63. a1 = [ones(1, 1) X(i,:)]‘;
64. z2=Theta1*a1;
65. a2=sigmoid(z2);
66. a2=[ones(1,size(a2,2)); a2];
67. z3=Theta2*a2;
68. a3=sigmoid(z3);
69. hThetaX=a3;
70. J_tmp(i)=sum(-y_vec.*log(hThetaX)-(1-y_vec).*log(1-hThetaX));
71. end
72. J=1/m*sum(J_tmp);
73. J=J+lambda/(2*m)*(sum(sum(Theta1(:,2:end).^2))+sum(sum(Theta2(:,2:end).^2)));
74. Delta1 = zeros( hidden_layer_size, (input_layer_size + 1));
75. Delta2 = zeros( num_labels, (hidden_layer_size + 1));
76. for t=1:m
77. y_vec=zeros(num_labels,1);
78. y_vec(y(t))=1;
79. a1 = [1 X(t,:)]‘;
80. z2=Theta1*a1;
81. a2=sigmoid(z2);
82. a2=[ones(1,size(a2,2)); a2];
83. z3=Theta2*a2;
84. a3=sigmoid(z3);
85. delta_3=a3-y_vec;
86. gz2=[0;sigmoidGradient(z2)];
87. delta_2=Theta2‘*delta_3.*gz2;
88. delta_2=delta_2(2:end);
89. Delta2=Delta2+delta_3*a2‘;
90. Delta1=Delta1+delta_2*a1‘;
91. end
92. Theta1_grad=1/m*Delta1;
93. Theta2_grad=1/m*Delta2;
94. Theta1(:,1)=0;
95. Theta1_grad=Theta1_grad+lambda/m*Theta1;
96. Theta2(:,1)=0;
97. Theta2_grad=Theta2_grad+lambda/m*Theta2;
98. % -------------------------------------------------------------
99. % =========================================================================
100. % Unroll gradients
101. grad = [Theta1_grad(:) ; Theta2_grad(:)];
102. end

最后总结一下，对于一个典型的神经网络，训练过程如下：

按照这个步骤，我们就可以求得神经网络的参数theta。

转载请注明出处：http://blog.csdn.net/u010278305