转载博客:http://blog.csdn.net/Koala_Tree
除输入层之外每层的计算输出可由下图总结出:
其中,每个结点都对应这两个部分的运算,z运算和a运算。
在编程中,我们使用向量化去计算神经网络的输出:
在对应图中的神经网络结构,我们只用Python代码去实现右边的四个公式即可实现神经网络的输出计算。
假定在m个训练样本的神经网络中,计算神经网络的输出,用向量化的方法去实现可以避免在程序中使用for循环,提高计算的速度。
通过向量化,可以更加便捷快速地实现神经网络的计算。
几种不同的激活函数g(x):
激活函数的选择:
sigmoid函数和tanh函数比较:
- ReLU弥补了前两者的缺陷,当z>0时,梯度始终为1,从而提高神经网络基于梯度算法的运算速度。
然而当z<0时,梯度一直为0,但是实际的运用中,该缺陷的影响不是很大。- Leaky ReLU保证在z<0的时候,梯度仍然不为0。
在选择激活函数的时候,如果在不知道该选什么的时候就选择ReLU,当然也没有固定答案,要依据实际问题在交叉验证集合中进行验证分析。
下面为该例子的神经网络反向梯度下降公式(左)和其代码向量化(右):
如果在初始时,两个隐藏神经元的参数设置为相同的大小,那么两个隐藏神经元对输出单元的影响也是相同的,通过反向梯度下降去进行计算的时候,会得到同样的梯度大小,所以在经过多次迭代后,两个隐藏层单位仍然是对称的。无论设置多少个隐藏单元,其最终的影响都是相同的,那么多个隐藏神经元就没有了意义。
在初始化的时候,W参数要进行随机初始化,b则不存在对称性的问题它可以设置为0。
以2个输入,2个隐藏神经元为例:
W = np.random.rand((2,2))* 0.01
b = np.zero((2,1))
这里我们将W的值乘以0.01是为了尽可能使得权重W初始化为较小的值,这是因为如果使用sigmoid函数或者tanh函数作为激活函数时,W比较小,则Z=WX+b所得的值也比较小,处在0的附近,0点区域的附近梯度较大,能够大大提高算法的更新速度。而如果W设置的太大的话,得到的梯度较小,训练过程因此会变得很慢。
ReLU和Leaky ReLU作为激活函数时,不存在这种问题,因为在大于0的时候,梯度均为1。