一文彻底搞懂深度学习 - 反向传播（Back Propagation） 原创

反向传播（Back Propagation，简称BP）算法是深度学习中最为核心和常用的优化算法之一，广泛应用于神经网络的训练过程中。它通过计算损失函数关于网络参数的梯度来更新参数，从而最小化损失函数并提高模型的预测准确性。

Back Propagation

一、前向传播

前向传播（Forward Propagation）是什么？前向传播是神经网络中的一种基本计算过程，用于通过网络的每一层传递输入数据并生成输出。

从神经网络的输入层开始，逐层计算每一层神经元的输出，直到到达输出层并生成最终预测结果。

图片

为什么需要前向传播？前向传播是神经网络进行预测和分类的基础过程。

在训练阶段，前向传播用于生成预测结果，并与真实标签进行比较以计算损失函数的值。然后，通过反向传播算法将损失函数的梯度信息反向传递回网络，用于更新权重和偏置等参数。

在推理阶段，神经网络仅使用前向传播过程来生成预测结果。此时，输入数据通过网络进行前向传播，直到输出层生成最终的预测结果。

二、反向传播

反向传播（Back Propagation）是什么？BP算法是由Rumelhart、Hinton和Williams等人在1986年共同提出的，是神经网络的通用训练算法。​

在BP算法出现之前，多层神经网络的训练一直是一个难题，因为无法有效地计算每个参数对于损失函数的梯度。BP算法通过反向传播梯度，利用链式法则逐层计算每个参数的梯度，从而实现了多层神经网络的训练。

反向传播的工作原理是什么？通过链式法则从输出层到输入层逐层计算误差梯度，并利用这些梯度更新网络参数以最小化损失函数。

• 从输出层向输入层传播：算法从输出层开始，根据损失函数计算输出层的误差，然后将误差信息反向传播到隐藏层，逐层计算每个神经元的误差梯度。
• 计算权重和偏置的梯度：利用计算得到的误差梯度，可以进一步计算每个权重和偏置参数对于损失函数的梯度。
• 参数更新：根据计算得到的梯度信息，使用梯度下降或其他优化算法来更新网络中的权重和偏置参数，以最小化损失函数。

为什么需要计算误差梯度？误差梯度提供了损失函数相对于参数的变化率信息。当梯度为正时，表示损失函数值随着参数的增加而增加；当梯度为负时，表示损失函数值随着参数的减少而减少。

通过计算梯度，我们可以确定参数更新的方向，即应该增加还是减少参数值，以最小化损失函数。

如何计算梯度？自动微分利用计算图（Computational Graph）和链式法则自动计算梯度。

• 将计算过程表示为一系列操作（如加法、乘法、激活函数等）的组合，这些操作构成计算图。
• 在前向传播过程中，计算每个节点的输出，并保存中间结果。
• 在反向传播过程中，从输出层开始，逐层计算每个节点的梯度，并使用链式法则将梯度传播到前面的节点。

在深度学习中，自动微分通常通过深度学习框架（如TensorFlow、PyTorch）实现，这些框架提供了高效的自动微分机制，使得梯度计算变得简单快捷。

本文转载自公众号架构师带你玩转AI 作者：AllenTang

原文链接：​​https://mp.weixin.qq.com/s/lo8syY5jrOjkH9k5O9fsXQ​​