【吴恩达机器学习】第10章 神经网络参数的反向传播算法

代价函数

像大部分机器学习一样，从代价函数开始讲起。

重点讲解，神经网络在分类问题中的应用。

神经网络层数
用$L$来表示神经网络结果的总层数。

每层单元数
用$s_l$表示第$l$层的单元数，但不包括偏置。

Binary classification
一个输出单元

Multi-class classification
k分类，含有k个输出单元

Cost function

• Logistic regression：
  
• Neural network
  不再只有一个输出单元，而是K个。
  

  $\Theta^{(l)}$表示第$l$层T对应的参数，最后一层没有参数。

反向传播算法

需要优化的参数
$\Theta^{l}_{ij}$

如何计算参数的偏导

每个单元的激活误差

第4层的激活误差

其它层的激活误差

参数的偏导

Backpropagation algorithm

理解反向传播

中间偏导
如果cost函数为：$g(z)= y\log h_\Theta(z) + (1 - y) \log( 1 - h_\Theta(z))$
则对$z$求导后：
$\frac \partial z {g(z)} = y - h_\Theta(z)$

梯度检测

将计算的导师值与$DVec$比较

随机初始化

对称权重问题
当两个参数初始化为0时，之后用梯度下降法，它们的更新保持一致。

随机初始化思想
初始化时，对参数进行随机化。

组合到一起

输入特征的维数
输出特征的维数

隐藏层数量
默认一层

每一层的隐藏层单元相同，效果会更好。
一般单元数也与输出层单元数相同，或者大几倍。

训练一个神经网络的过程