一步步手写神经网络

世界上最好的语言 2018年8月13日浏览：1397 收藏：1

这篇博客主要是一步步的手撸一个神经网络出来，相信看完这篇博客，大家会对神经网络有一个比较深刻的认识。看完后，你可能会发现只要会基本的求导，其实bp（backward propagation）并没有想象中的那么难。下面就来一步步手写一个神经网络。我会先拿一个简单的3层神经网络做demo展示下求解神经网络的整体过程，其实主要就是forward propagation（前向传播）和backward propagation（后向传播/逆向传播）这两个过程。
一个简单的神经网络：

这是一个简单的只有三层的神经网络，先来定义一些notation（这个notation沿用ng的）：

具体到上面给出的神经网络demo图，这里有：

其实这其中最难确定的是参数w，b，a 的维度，其实看上面图中参数的维度，也能够发现参数w，b，a 的维度：

还有就是这个demo中隐藏层激活函数使用的是现在最常用的ReLU当做激活函数，输出层因为是个二元分类就使用sigmoid函数作为激活函数（如果是多分类现在最常用的是softmax函数），关于几种激活函数，详见本人另一篇博客：几种常见的激活函数，代价函数则是使用的交叉熵函数，神经网络的交叉熵代价函数为：

接下来正式进入到forward propagation阶段，前向传播的计算过程为：

总结下上面的公式其实能够发现：

下面是backward propagation（bp）阶段，其实就是求导（得到梯度），我会详细的写出求导过程：

对 $W^{[3]}$

在求出 $W^{[3]}$

对 $W^{[2]}$

同样能够得到 $d b^{[2]}$

对 $W^{[1]}$

则 $d b^{[1]}$

其实bp这个公式也有规律的，通过上面我的 “总结”，应该发现：

以上就是这个3层神经网络Foward propagation和backward propagation的详细具体过程。并且我们能够发现一些规律，很容易的推广到L层。下面就来一步步手撸一个神经网络，我们在实现的时候一定要注意矩阵的维度，而且要搞清楚矩阵之间到底是乘（线代里矩阵相乘的定义）还是点乘（对应元素相乘）。前向传播的还倒好，bp的向量化实现如下：

下面进入到代码实现阶段：

|| forward propagation阶段

1.首先初始化参数w，b，对于参数w，b的初始化要随机初始化，至于为什么要随机初始化，请参见本人博客：神经网络（neural network）。关于对权重的初始化方法，详见本人另一篇博客：深度学习中神经网络的几种权重初始化方法。下面代码中随机初始化参数w时之所以0.01，目的是：如果我们不乘的话，有可能会把参数初始化为一个比较大的数，这样会导致z=w.T X + b，z的值有时候会比较大，这样的话，如果你使用sigmoid或者tanH作为激活函数，得到的导数（梯度）会非常的小，这样参数更新的速度会比较慢。

2.实现激活函数（ReLU和sigmoid）：

3.计算一个L层的网络每一层的激活值，也就是整个Foward propagation的过程：

4.整个forward propagation完后，开始计算代价函数：

|| backward propagation阶段

1.从我们总结出来的规律，能够看到，只要给定了后一层dA后，dz，dW，db很容易就能够求出：
relu导数：

下面是bp过程:

2.下面就是更新参数w，b：

以上就是整个bp的过程，至此，fp和bp整个流程已经全部写完了，下面再写个主函数，把fp和bp串联下，整个dnn网络就完成了：

这样就得到了，这个网络的参数W，b，这样我们就可以用这个参数去做分类了，下面顺手在撸个predict函数吧：

写个入口函数：

至此，整个deep neural network已经写完了，虽然简单，可能代码也写的不够严谨。但对于理解neural network，即forward propagation和backward propagation非常有帮助。拿sklearn中的load_breast_cancer数据集测了下，当隐藏层单元设置为[20,10,5,1]时，准去率达到了92%，代价函数示意图如下：

p.s：这里另外提一下，ng的在Coursera上的课把每个步骤划分的更加细致，但是我个人认为那样不太好，有点打乱了fp和bp的整体性，这个每个人的口味都不一样。最重要的一点。。。是我觉得ng的relu求导写错了，现在把ng的relu求导代码贴出来，然后把我改正的（我认为是对的）也贴出来，供路过的大侠鉴定下，欢迎留言交流。
ng的relu_backward: