反向传播算法的推导_卷积神经网络反向传播理论推导

一、参数说明

• $W_{ij}^{(l)}$：表示 第 l-1 层的第 j 个激活特征 到 第 l 层第 i 个神经元 的权值

• $b_{ij}^{(l)}$：表示 第 l-1 层的第 j 个激活特征 到 第 l 层第 i 个神经元 的偏置(其中 $j$ 恒为 0，表示偏置项；第 0 个特征 $a_0^{(l)}$ 恒为 1，表示其只作为其它神经元的偏置，本身并不需要计算)

• Note：输入层算作 第 0 层、 j 代表第 l-1 层的激活特征的下标（$j\in [1,n^{l-1}]$） 、 i 代表第 l 层的神经元的下标 （$i\in [1,n^l]$）

---

二、公式定义

• $l$ 层神经元的状态值：$z^{(l)}=w^{(l)}{a}^{(l-1)}+b^{(l)}$，表示一个神经元所获得的输入信号的加权和(即：特征的线性组合)
• $l$ 层神经元的激活值：$a^{(l)}=f_l(z^{(l)})$，特征的非线性映射，可把 $a^{(l)}$ 看作 更高级的特征
• 激活函数：$f(z)=\frac{1}{1+e^{-z}}$
• 损失函数(MSE): $J(W,b;x,y)=\frac{1}{2}{\Vert a^{(l)}-y^{(l)}\Vert }^2=\frac{1}{2}{\sum }_{i=1}^{n^l}{\left[a_i^{(l)}-y_i^{(l)}\right]}^2$
  
  
• 向量的导数（注意 维度从下到上排列）
  

---

三、结合实例分析推导过程(全连接神经网络)

1. 我们以一个两层神经元为例对推导过程详细分析

• 输入特征和输出类标值分别为:
  $$[x_0,x_1,x_2{]}^T=[1,0.05,0.1{]}^T;y^{(2)}=[0,1{]}^T$$
• 各参数初始化值分别为：
  

2. 梯度值的推导

（a）抽象的推导过程

（b） 结合实际例子的推导过程

3. 反向传播总结

• 从误差项的公式中可以看出：
  • 第 $l$ 层的误差项可以通过第 $l+1$ 层的误差项计算得到，这就是误差的反向传播（Backpropagation，BP）
  • 反向传播算法的含义是：第 $l$ 层 的一个神经元的误差项是所有与该神经元相连的 第 $l+1$ 层 的神经元的 误差项的权重和 再乘上该神经元 激活函数的导数。
• 全连接神经网络的训练过程可以分为以下四步：
  • 首先，前向 计算每一层的 状态值（作为整体，用于求导后带入导数公式）和激活值，且保存每一层的 权重值
  • 其次，计算输出层的误差项（因为输出层没有 ${\delta }^{l+1}$ 可用）
  • 然后，反向 传播计算每一层的误差
  • 最后，计算每一层参数的偏导数，并按下面的公式更新参数
    

---

四、卷积神经网络的反向传播

• 卷积神经网络的反向传播如下图所示：
  
• 卷积类型，其中 n 为输入大小，m 为卷积核大小
  

五、固定网络参数反向优化输入(或参数)

• 已经训练好的模型（固定权重），可通过 loss 反向传播（主要是残差）来反向优化输入（或参数）
• 可参考AI-编解码、AI-ISP、Learning to Prompt for Vision-Language Models
  

---

五、参考资料

1、https://xpqiu.github.io/slides/20151226_CCFADL_NNDL.pdf
2、卷积神经网络(CNN)反向传播算法
3、Convolutional Neural Networks backpropagation: from intuition to derivation
4、Backpropagation In Convolutional Neural Networks