神经网络中神经元的权重更新

前段时间写过一篇介绍神经网络的入门文章:神经网络极简入门
那篇文章介绍了神经网络中的基本概念和原理,并附加了一个示例演示如何实现一个简单的神经网络。

不过,在那篇文章中并没有详细介绍神经网络在训练时,是如何一步步找到每个神经元的最优权重的。
本篇介绍神经网络训练时,常用的一种权重更新的方式--梯度下降

1. 回顾神经网络

首先,回顾一下神经网络模型主要包含哪些部分:
image.png
如上图所示,核心部分有:

  • 神经元:图中黑色圆圈部分,接受输入,产生输出
  • 层:神经元的集合,图中蓝色,绿色框,一个层一般包含一个或多个神经元

image.png
神经元对输入进行两步计算:

  • 对各个输入按照权重求和
  • 求和的结果再经过一个激活函数,得到一个输出值

神经网络的训练过程,就是给每个神经元找到一个合适的权重
使得神经网络最后的输出(Output)与目标值相差最小。

神经网络的结构不难,难点在于神经元和层多了之后,计算量暴增,需要强大的硬件支持。

2. 初始权重分配

下面回归本篇的主题,也就是神经网络中权重是如何更新和确定的。

我们知道,神经网络之所以如此流行,是因为基于它的模型,准确度远远好于传统的机器学习模型。
而神经网络模型的好坏取决于每个神经元的权重是否合理。

先假设做一个简单的神经网络,看看神经网络模型如何从输入值计算出输出值的。
image.png
这个网络中,假设我们的激活函数用y=1(1+ex)
那么,根据神经元的计算方法,先求和x1w1,1+x2w2,1
再用激活函数得到:y1=11+e(x1w1,1+x2w2,1)
同理可得:y2=11+e(x1w1,2+x2w2,2)y2=11+e(x1w1,3+x2w2,3)

最终可得输出:z1=11+e(y1w1,1+y2w2,1+y3w3,1)
从上面的计算过程可以看出,x1,x2是输入值,无法改变;
y1,y2,y3z1是计算产生的,也无法改变。
在神经网络中,我们能够调整优化的就是权重值w1,1,...,w2,3以及w1,1,...,w3,1

理论上,初始化神经网络时,可以设置任意的权重,通过不断的训练最终得到合适的权重。
但实际情况下,模型的训练并不是万能的,初始权重设置的不好,对于训练花费的时间和训练结果都会造成不利的影响。

比如,初始权重设置的太大,会导致应用在数据上的激活函数总是处于斜率非常平缓的位置(如下图虚线红框处),
从而降低了神经网络学习到更好权重的能力。。
image.png

此外,还有一个问题是不要设置零值的权重,这也会导致神经网络丧失学习更好权重的能力。

所以,设置初始权重时:

  • 选择随机的,值比较小权重,常见的范围是0.01~0.99-1.0~1.0(不要选择0)
  • 权重的分配最好与实际问题关联,比如实际问题中,知道某些输入值的重要性高,可以初始较大的权重

3. 误差的反向传播

训练神经网络,除了设置初始权重之外,另一个重要的部分就是计算误差。
误差就是根据训练结果与实际结果的差距。
image.png
比如上图,训练结果是o1,实际结果是t1,误差就是e=t1o1
根据这个误差e,来计算上一层中各个神经元计算后的误差。

误差一般是根据神经元权重所占的比例来分配的。
比如,假设上图的神经网络中,最后一层的初始权重w1,1=0.58,w2,1=0.21,w3,1=0.36
最后的误差为e=2
image.png

那么,根据w1,1,w2,1,w3,1的权重在这一层所占的比例来更新这一层的误差:
ey1=e×w1,1w1,1+w2,1+w3,1=2×0.580.58+0.21+0.361.01
同理可得:ey20.37ey30.63

然后再根据ey1,ey2,ey3去更新上一层的误差。
image.png
这样,从后往前,就得到了每个神经元的计算所产生的误差。
因为误差是从后往前计算的,所以也成为误差的反向传播

4. 优化权重的思路

通过误差的反向传播计算出每个神经元的误差,目的就是基于这个误差来更新神经元的权重值。

  • 当神经元的误差较大时,尝试减小神经元的权重值;
  • 当神经元的误差较小时,尝试增加神经元的权重值。

这也就是梯度下降算法的思路。

那么权重每次更新多少合适呢?
每次更新步长太小,将导致计算量过大,经过很长时间的迭代才能找到最优值,如下:
image.png
而且,更新步长太小,还会导致找到次优值之后,就以为已经找到最优值,如下:
image.png

不过,每次权重更新步长过大,也会有问题,有可能会错过最优值,在最优值附近来回横跳,如下:
image.png

所以,计算出误差之后,更新权重不是一次就能完成的。
一般来说,会尝试用多种不同的步长来更新权重,看看哪种步长更新的权重会使得最后的误差最小。

5. 总结

总的来说,神经网络的训练,关键点主要有:

  1. 确定初始权重
  2. 误差反向传播
  3. 尝试不同步长更新权重,尽量找出最优值(也就是使得最终误差最小的权重)

整个训练过程大致如下:
image.png
上图中,结束训练的条件是误差<阈值,有的时候,可能会出现很长时间之后误差始终都大于阈值,无法结束训练。
这时,可以加一个条件,误差<阈值或者迭代次数到达1000次(可以任意次数),就结束训练。

posted @   wang_yb  阅读(943)  评论(0编辑  收藏  举报
相关博文:
阅读排行:
· 一个费力不讨好的项目,让我损失了近一半的绩效!
· 实操Deepseek接入个人知识库
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· 【.NET】调用本地 Deepseek 模型
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库
点击右上角即可分享
微信分享提示