numpy实现神经网络系列

工程地址：https://github.com/yizt/numpy_neuron_network

基础知识

0_1-全连接层、损失函数的反向传播

0_2_1-卷积层的反向传播-单通道、无padding、步长1

0_2_2-卷积层的反向传播-多通道、无padding、步长1

0_2_3-卷积层的反向传播-多通道、无padding、步长不为1

0_2_4-卷积层的反向传播-多通道、有padding、步长不为1

0_2_5-池化层的反向传播-MaxPooling、AveragePooling、GlobalAveragePooling、GlobalMaxPooling

0_3-激活函数的反向传播-ReLU、LeakyReLU、PReLU、ELU、SELU

0_4-优化方法-SGD、AdaGrad、RMSProp、Adadelta、Adam

DNN练习

1_1_1-全连接神经网络做线性回归

1_1_2-全连接神经网络做mnist手写数字识别

CNN练习

2_1-numpy卷积层实现

2_2-numpy池化层实现

2_3-numpy-cnn-mnist手写数字识别

本文目录

本文介绍常见的激活函数的前向过程及反向传播过程

依赖知识

a) 熟悉全连接层、损失函数的反向传播

b) 熟悉ReLU、LeakyReLU、PReLU、ELU、SELU

ReLU

​ 整流线性单元Rectified Linear Unit

前向过程

$$ReLU(z)=\begin{cases} z & z>0 \\ 0 & z<=0 \tag 1 \end{cases}$$

后向过程

a) 我们将激活函数也看做一层, 设第$l$层输出为$z^l$, 经过激活函数后的输出为$z^{l+1}$

b) 记损失函数L关于第$l$ 层的输出$z^l$ 的偏导为$\delta^l = \frac {\partial L} {\partial z^l}$

​ 则损失函数L关于关于第l层的偏导如下：

$$\begin{align} &\delta^l = \frac {\partial L} {\partial z^{l+1}} \frac {\partial z^{l+1}} {\partial z^{l}} \\ &=\delta^{l+1} \frac {\partial ReLU(z^l)} {\partial z^{l}} \\ &=\delta^{l+1} \begin{cases} 1 & z^l>0 \\ 0 & z^l<=0 \end{cases} \\ &= \begin{cases} \delta^{l+1} & z^l>0 \\ 0 & z^l<=0 \tag 2 \end{cases} \end{align}$$

LeakyReLU

​ ReLU在取值小于零部分没有梯度，LeakyReLU在取值小于0部分给一个很小的梯度

前向过程

$$LeakyReLU(z)=\begin{cases} z & z>0 \\ \alpha z & z<=0, \alpha=0.1 \tag 3 \end{cases}$$

后向过程

同Relu可知损失函数L关于关于第l层的偏导为:

$$\begin{align}&\delta^l = \begin{cases} \delta^{l+1} & z^l>0 \\ \alpha\delta^{l+1} & z^l<=0, \alpha=0.1 \tag 4 \end{cases} \end{align}$$

PReLU

​ 参数化ReLU，形式同LeakyRelu,不过$\alpha$ 不是固定的常量而是根据数据学习到的。

论文地址：https://arxiv.org/pdf/1502.01852.pdf

前向过程

$$PReLU(z)=\begin{cases} z & z>0 \\ \alpha z & z<=0, \alpha是与z相同形状的变量 \tag 5 \end{cases}$$

后向过程

a) 同LeakyRelu可知损失函数L关于关于第l层的偏导为:

$$\begin{align}&\delta^l = \begin{cases} \delta^{l+1} & z^l>0 \\ \alpha\delta^{l+1} & z^l<=0,\alpha是需要学习的参数 \tag 6 \end{cases} \end{align}$$

b) 损失函数L关于关于参数$\alpha$的偏导为:

$$\begin{align} &\frac {\partial L} {\partial \alpha} = \frac {\partial L} {\partial z^{l+1}} \frac {\partial z^{l+1}} {\partial \alpha} \\ &=\delta^{l+1} \frac {\partial PReLU(z^l)} {\partial \alpha} \\ &=\delta^{l+1} \begin{cases} 0 & z^l >0 \\ z^l & z^l<=0 \end{cases} \\ &= \begin{cases} 0 & z^l >0 \\ \delta^{l+1}z^l & z^l<=0 \tag 7 \end{cases} \end{align}$$

ELU

​ 指数化ReLU，在取值小于0的部分使用指数

论文地址: https://arxiv.org/pdf/1511.07289.pdf

前向过程

$$ELU(z)=\begin{cases} z & z>0 \\ \alpha(\exp(z)-1) & z<=0, \alpha=0.1 \tag 8 \end{cases}$$

后向过程

同LeakyRelu可知损失函数L关于关于第l层的偏导为:

$$\begin{align}&\delta^l = \begin{cases} \delta^{l+1} & z^l>0 \\ \alpha \delta^{l+1} \exp(z^l) & z^l<=0 \tag 9 \end{cases} \end{align}$$

SELU

​ 缩放指数型线性单元, 就是对ELU加上一个缩放因子$\lambda$

论文地址: https://arxiv.org/pdf/1706.02515.pdf

前向过程

$$RELU(z)=\lambda\begin{cases} z & z>0 \\ \alpha(\exp(z)-1) & z<=0 \tag {10} \end{cases}$$

​ 其中$\lambda \approx 1.0507 , \alpha \approx 1.673$ (论文中有大段证明)

后向过程

同ELU可知损失函数L关于关于第l层的偏导为:

$$\begin{align}&\delta^l = \lambda \begin{cases} \delta^{l+1} & z^l>0 \\ \alpha \delta^{l+1} \exp(z^l) & z^l<=0 \tag {11} \end{cases} \end{align}$$