反向传播(Backpropagation)笔记

反向传播是深度学习的基石。

导数

先回顾下导数：

\frac{df(x)}{dx}=\lim_{h->0}\frac{f(x+h)-f(x)}{h}

函数在每个变量的导数就是偏导数。

对于函数 f(x,y)=x+y ， \frac{\partial f}{\partial x}=1 ，同时， \frac{\partial f}{\partial y}=1

梯度就是偏导数组成的矢量。上述例子中， \Delta f=[\frac{\partial f}{\partial x},\frac{\partial f}{\partial y}] 。

链式法则

对于简单函数，我们可以根据公式直接计算出其导数。但是对于复杂的函数，我们就没那么容易直接写出导数。但是我们有 链式法则(chain rule) 。

定义不多说，咱们举个例子，感受一下链式法则的魅力。

我们熟悉的sigmoid函数 \sigma(x)=\frac{1}{1+e^{-x}} ，如果你记不住它的导数，我们怎么求解呢？

求解步骤如下：

• 将函数模块化，分成多个基本的部分，对于每一个部分都可以使用简单的求导法则进行求导
• 使用链式法则，将这些导数链接起来，计算出最终的导数

具体如下：

sigmoid函数的导数可以直接用自身表示，这也是很奇妙的性质了。这样的求导过程是不是很简单？

反向传播代码实现

求导和链式法则我都会了，那么具体的前向传播和反向传播的代码是怎么样的呢？

这次我们使用一个更复杂一点点的例子：

f(x,y)=\frac{x+\sigma(x)}{\sigma(x)+(x+y)^2}

我们先看下它地forward pass代码：

import math
 
x = 3
y = -4
 
sigy = 1.0 / (1 + math.exp(-y)) # sigmoid function
num = x + sigy # 分子
sigx = 1.0 / (1 + math.exp(-x))
xpy = x + y
xpy_sqr = xpy**2
den = sigx + xpy_sqr # 分母
invden = 1.0 / den
f = num * invden # 函数
 

上述过程很简单对不对，就是把复杂的函数拆解成一个一个简单函数。

我们看看接下来的反向传播过程：

dnum = invden
 

因为

f = num * invden

所以有

\frac{\partial f}{\partial num} = invden

也就是

$$dnum=invden $

dinvden = num # 同理
 
dden = (-1.0 / (den**2)) * dinvden # 链式法则
 

展开来说：

\frac{\partial invden}{\partial den}=\frac{-1}{den^2}

又

\frac{\partial f}{\partial invden}=num

所以

dden=\frac{\partial f}{\partial den}=\frac{partial f}{\partial invden}\cdot \frac{\partial invden}{\partial den} = \frac{-1.0}{den^2}\cdot dinvden

所以，同理，我们可以写出所有的导数：

dsigx = (1) * dden 
dxpy_sqr = (1) * dden
 
dxpy = (2 * xpy) * dxpy_sqr
 
# backprob xpy = x + y
dx = (1) * dxpy
dy = (1) * dxpy
 
# 这里开始，请注意使用的是"+="，而不是"=”
dx += ((1 - sigx) * sigx) * dsigx # dsigma(x) = (1 - sigma(x))*sigma(x)
dx += (1) * dnum
 
# backprob num = x + sigy
dsigy = (1) * dnum
# 注意“+=”
dy += ((1 - sigy) * sigy) * dsigy
 

问题：

• 上面计算过程中，为什么要用“+=”替代“=”呢？

如果变量x，y在前向传播的表达式中出现多次，那么进行反向传播的时候就要非常小心，使用+=而不是=来累计这些变量的梯度（不然就会造成覆写）。这是遵循了在微积分中的多元链式法则，该法则指出如果变量在线路中分支走向不同的部分，那么梯度在回传的时候，就应该进行累加。

联系我

• Email: [email protected]

• WeChat: luozhouyang0528

  

• 个人公众号，你可能会感兴趣：