1)该文章整理自网上的大牛和机器学习专家无私奉献的资料,具体引用的资料请看参考文献。
2)本文仅供学术交流,非商用。因此每一部分具体的参考资料并无详细对应。若是某部分不当心侵犯了你们的利益,还望海涵,并联系博主删除。
3)博主才疏学浅,文中若有不当之处,请各位指出,共同进步,谢谢。
4)此属于初版本,如有错误,还需继续修正与增删。还望你们多多指点。你们都共享一点点,一块儿为祖国科研的推动添砖加瓦。html
这一次主要是想对微积分和导数直观理解一下。不少人在想或许自从大学毕之后,再也没有接触微积分。不要担忧,为了高效应用神经网络和深度学习,其实 并不须要很是深刻理解微积分。程序员
若是你是精通微积分的那一小部分人群,对微积分很是熟悉,能够跳过这个笔记。web
导数,也叫导函数值,又名微商,是微积分中的重要基础概念,可是其实理解起来并无那么难。来看一个例子:
一个函数
,如图能够看出它是一条直线,这个别说你不会,xD。那么什么是导数,简单理解一下:编程
看看函数中几个点,假定
,那么
是
的 3 倍,也就是 3 * 2 = 6
,即若
,那么函数
,第一个点就是
。网络
若是假定稍微改变一点点
的值,只增长一点,变为 2.001(只增长了 0.001),这时
将向右作微小的移动。0.001 的差异实在是过小了,
数量级的移动,不能在图中很明显地看出来,这里稍稍夸张了一下,意思到位就ok。如今
等于
的 3 倍是 2.001 * 3 = 6.003
。app
请看这个绿色小清新的三角形!!!根据刚才的结果,若是向右移动 0.001,那么
增长 6.003 - 6 = 0.003
,
的值增长 3 倍于右移的
,0.003 / 0.001 = 3
,所以咱们说函数
在
点的导数就是在这个点的斜率,而这个点的斜率是 3,那么斜率是什么?
已知一个图如上,斜率 K 计算公式以下:
导数这个概念意味着斜率!!!导数 这个词,听起来就是一个很可怕、很使人惊恐的词,可是 斜率 以一种很友好的方式来描述导数这个概念。因此提到导数,不严格的说,就把它看成函数的斜率就行了。经过一个例子来体会一下斜率的定义,在上图的绿色三角形中,用三角形的高除以三角形的宽,即斜率等于 0.003 / 0.001 = 3
,等于3,或者说导数等于 3。这意味着什么呢?这意味着当你将
右移 0.001时,
的值增长 3 倍水平方向的量。框架
若是换个数呢?如今假设
也是同样的,此时
。把
右移一个很小的幅度,增长到 5.001,根据
能够获得 3 * 5.001 = 15.003
。即在
时,斜率是 3。这就表示,当变量
的值发生微小改变时,
。一个等价的导数表达式还能够这样写
,即
放在上面或者放在右边都没有关系,是同样的。机器学习
那就是导数的正式定义!!!数学上导数用 表示。svg
导数的一个特性是:这个例子中的这个函数在任何地方的斜率老是等于 3,无论 或 ,这个函数的斜率总等于3,也就是说导数总等于 3。那么全部的函数斜率都是不变的嘛?固然不是,下面这个例子中函数在不一样点的斜率是可变的。函数
下面来看一个更加复杂的例子,有多复杂?在这个例子中,函数在不一样点处的斜率是不同的,别慌,先来举个例子:
这里有一个不同的函数,
,直观上看,是个曲线,眉头一皱,感受事情不太对劲。如今若是假设
的话,那么
能够获得
。仍是稍稍往右推动一点点,如今
,则
(为何要约等于?若是你用计算器算的话,就会发现这个准确的值应该为4.004001,只是为了简便起见,省略了后面的部分)。
仍是画图的方法进行理解,获得一个小三角形,若是细心的话你就会发现,此次严格意义上并非三角形。若是把
往右移动 0.001,那么
将增大四倍,即增大 4.004 - 4 = 0.004
,而 0.004 / 0.001 = 4
。
在微积分中,把这个三角形斜边的斜率,称为 在点 处的导数(即为 4 );或者写成微积分的正式定义形式,当 的时候, 。由此可知,函数 ,在 取不一样值的时候,它的斜率是不一样的,这和上面的例子显然是不一样的。
若是你仍是不太理解的话,这里有种直观的方法能够解释,就是画图法。为何一个点的斜率,在不一样位置会不一样若是?咱们能够在曲线上的不一样位置,画一些小小的三角形你就会发现,三角形高和宽的比值,即斜率,在曲线上不一样的地方是不一样的。因此当 时,斜率为 4;而当 时,斜率为 10。
若是严谨地说,能够百度导数表。你会发现,函数
的斜率(即导数)为
,而函数
的斜率(即导数)为3。
这意味着什么?这么说,若是任意给定一点
,稍微将
增大 0.001,两个函数增大的彻底不同。一个是和
有关的,而另外一个则是常数。
来小结一下:
导数就是斜率,而函数的斜率在不一样的点多是不一样的。在 时,在任何点它的斜率都是相同的,均为3。但对 ,斜率是变化的,因此它们的导数或者斜率,在曲线上不一样的点处是不一样的。
若是想知道一个函数的导数,可参考导数表,而后应该就能找到这些函数的导数公式,直接带数就完事了。
一个神经网络的计算大致上能够当作是,前向或反向传播组合而成的。只有公式描述,确实有一些晦涩,这个时候咱们想到了计算图。计算图是什么?
计算图是一种描述方程的语言,既然是图,则有 节点(变量) 和 边(操做)。
这么说太官方了,来举一个比逻辑回归更加简单的,或者说不那么正式的神经网络的例子。
咱们的目的是计算函数 ,函数 的组成是什么呢?是由三个变量 组成的函数,这个函数是 。计算这个函数实际上有三个不一样的步骤,也就是拆分一下,用复合函数的思想去理解。
首先是计算
乘以
,用一个函数
来表示;而后计算另外一个函数
;最后输出
,这就是要计算的函数
。这三步能够画成以下的计算图:
先画三个变量
,第一步就是计算
,放个矩形框,它的输入是
;接着仍是放个矩形框,进行第二步
;最后一步仍是个矩形框,进行
。
举个例子:
,
就是 3 * 2 = 6
;而
,就是 5+6=11
;
是 3 倍的
,所以,
= 3 × (5 + 3 × 2)
。若是把它算出来,就获得33,实际上就是
的值。
计算图的一个大优点是:当有不一样的或者一些特殊的输出变量时,例如上面例子中的 和逻辑回归中准备优化的代价函数 ,用计算图来处理会很方便。从这个小例子中能够看出,经过一个从左向右(蓝色箭头)的过程,能够计算出 的值。而为了计算导数,从右到左(红色箭头,和蓝色箭头的过程相反)的过程是用于计算导数最天然、最直观的方式。
如何利用计算图来计算函数 的导数呢?
先不急,来看个例子,下面用到的公式:
这是一个计算图,记录了整个流程:
假设计算 ,那要怎么算呢?若是你会微积分的话,就好说了,直接求导数没啥好说的;那么不会的话呢,也不用着急!这么看,好比要把这个 值拿过来,改变一下,那么 的值会怎么变呢?(是否是用上了上面提到的导数讲解 😃)
首先 , , ,这是已知条件。若是让 增长一点点,好比到11.001,那么 ,这里 增长了 0.001,而最终结果是 上升了 0.003,也就是原来的 3 倍,因此 。
为啥这么说?固然是由于对于任何 的增量, 都会有 3 倍增量。因此有 ,推出 。
吴恩达老师的手稿以下:
看另外一个例子, 是多少呢?换句话说,若是提升 的值, 的数值有什么影响?
变量
,增长到了 5.001,那么对
的影响就是
,以前
,如今变成 5.001 - 5 + 11 = 11.001
,
就变成11.001 * 3 = 33.003
,因此
增长 0.001,
增长 0.003。那么增长
,
的改变量会传播到计算图的最右边,因此
最后是 33.003。因此
的增量是 3 乘以
的增量,也就意味着导数是 3,即
。
吴恩达老师的手稿以下:
要解释清楚这个计算过程,就会牵扯出链式法则,名字虽然挺厉害的,其实很简单。
首先 增长了, 也会增长; 增长多少呢?这取决于 ;而后 的增长致使 也会增长。因此这在微积分里实际上叫链式法则,顾名思义,互相之间被链住了,一个变化都会变化。
那么怎么计算一个链式法则的求导呢?
其实不难,前面给了三个公式,这就是答案。经过分解的方法,把整个链式法则分解为几个小的链子,分别求导再相乘,就解出正确答案了。
经过改变一个变量来看另外一个变量的变化关系这种方法,咱们获得了 、 ,因此 ,即为所求。
下图表示了整个计算过程:
继续计算另外一条线的导数,也就是这个 ,那么 是多少呢?
经过和以前相似的计算,这里简单说一下。从
出发,令
增长到 6.001,
以前是 11,如今变成 6.001 - 6 + 11 = 11.001
,
从 33 变成 33 * 3 = 33.003
,因此
。
对 的分析很相似对 a 的分析,为啥这么说呢?实际上仍是计算, ,又由于有 、 ,最终算出的结果是 ,因此能够看出对 的分析相似对 a 的分析。
吴恩达老师的手稿以下:
如今,来看最后一个例子,那么 呢?
事实上,使用微积分链式法则,这也能够写成乘积的形式,就是 。
当
增长 0.001 变成 3.001 时,
就变成 3.001 * 2 = 6.002
,
增长了 6.002 - 6 = 0.002
,也就是
的增长量的二倍,因此
。那么
是多少呢?在前面咱们已经弄清楚了,等于 3,因此这两部分相乘,可得
。
其实还有另外一个例子,不过 和 是比较类似的。通过计算你会发现 ,这个结果是 9。
吴恩达老师的手稿以下:
因此当计算全部这些导数时,最有效率的办法是从右到左计算,跟着这个红色箭头走,充分利用计算图的优点。特别是当第一次计算对
的导数时,以后在计算对
导数时,而后对
的导数,最后是对
和
的导数。
到这里,计算图求导数就完事了。这是一个计算图,也是一个流程图。是否是简单了好多,尤为是对 和 的导数!!!