掌握神经网络的法宝（一）

快来打我* 2023-09-29 09:02 131阅读 0赞

**目录**

前言

一、误差反向传播法所需的链式法则

二、梯度下降法的含义与公式（附代码）

三、最优化问题和回归分析（附代码）

总结

系列文章目录

--------------------

## 前言 ##

通过上一章的介绍，相信大家对于神经网络的框架模式有了一定的了解，而这一章我准备来给大家介绍一下掌握神经网络所需的数学基础。神经网络用到的算法就是向量乘法，并且广泛采用符号函数及其各种逼近。并行、容错、可以硬件实现以及自我学习特性，是神经网络的几个基本优点，也是神经网络计算方法与传统方法的区别所在。

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16][]

--------------------

## **一、误差反向传播法所需的链式法则** ##

**1.1神经网络和复合函数**

已知函数y = f(u)， 当u = g(x)时，y作为x的函数库也表示为形如y = f(g(x))的嵌套结构（u和x都表示多变量）。这时，嵌套结构的函数f(g(x))称为f(u)和g(x)的复合函数。

就如我们上一章所讲到的神经单元的激活函数：y = a(w1x1+w2x2+···+wnxn+b),其中w1,w2···,wn作为各输入的权重，b为神经单元的偏置，n为输入的个数。这个输出函数是如下x1,x2,···,xn的一次函数f 和激活函数a 的复合函数：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 1][]

**1.2 单变量函数的链式法则**

1）已知单变量函数y = f(u)，当u表示单变量函数u = g(x)，复合函数f(g(x))的导函数可以如下简单地求出来：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 2][]

2）单变量函数的近似法则：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 3][]

**1.3 多变量函数的链式法则**

1）变量z为u，v的函数，如果u，v分别为x，y的函数，则z为x，y的函数，此时下式（多变量的链式法则）成立：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 4][]

2）多变量函数的近似法则

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 5][]

**1.4 近似法则的总结和扩展**

近似法则的向量表示：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 6][]

--------------------

## **二、梯度下降法的含义与公式（附代码）** ##

**2.1 梯度下降法的思路**

梯度下降法不直接求解上式的方程，而是通过慢慢地移动图像上的点进行摸索，从而找出函数的最小值：

![2bec281dd89b4306b15f309c91aeb375.png][]

下面给大家一个例子让大家好理解一下：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 7][]

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 8][]

**2.2 近似公式和内积的关系**

套用多变量函数的公式：![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 9][]

可以递推为以下模式：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 10][]

**2.3 向量内积的回顾**

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 11][]

**2.4 二变量函数的梯度下降法的基本式**

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 12][]

**2.5 将梯度下降法推广到三个变量之上的情况**

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 13][]

**2.6 学习率的含义以及梯度下降法的要点**

1）所谓梯度下降法，就是分别求损失函数对各个参数的偏导数，然后乘以一个系数η，把它作为参数的更新量。这个参数η，就称为**学习率。**

学习率的选择非常重要，η在梯度下降法中也叫作**步长**，通过控制η来控制每一步的距离：

*  如果η 过小，计算较慢，需要迭代多次；
 *  如果η 过大，参数就可能在迭代的过程中“越过”最低点，来回震荡，甚至无法收敛；

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 14][]

2）梯度下降法的要点：

*  不同的起始点，可能导致最后得到的局部最小值点不同。
 *  每次迭代的时候，我们需要**同时更新**，直至所要的式子收敛，这就是梯度下降法的核心。

**2.7 梯度下降法python举例**

from random import random
    
    def gradient_decent(fn, partial_derivatives, n_variables, lr=0.1, max_iter=10000, tolerance = -5):
        theta = [random() for _ in range(n_variables)]
        y_cur = fn(*theta)
        for i in range(max_iter):
            #calculate gradient ofcurrent theta
            gradient = [f(*theta) for f in partial_derivatives]
            #updata the theta bythe gradient
            for j in range(n_variables):
                theta[j] -= gradient[j]*lr
            #cheak if converged or not
            y_cur, y_pre = fn(*theta), y_cur
            if abs(y_pre-y_cur) < tolerance:
                break
        return theta, y_cur
    
    def f(x, y):
        return (x+y-3)**2 + (x+2*y-5)**2+2
    def df_dx(x, y):
        return 2*(x+y-3) + 2*(x+2*y-5)
    def df_dy(x, y):
        return 2*(x+y-3) + 4*(x+2*y-5)
    
    if __name__ == '__main__':
        print("Solve the mininum value of quadratic function:")
        n_variables = 2
        theta, f_theta = gradient_decent(f, [df_dx, df_dy], n_variables)
        tehta = [round(x, 3) for x in theta]
        print("The solution is: theta %s, f(theta) %.2f.\n" % (theta, f_theta))

运行结果：

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 15][]

## **三、最优化问题和回归分析（附代码）** ##

**3.1 最优化问题**

在为了分析数据而建立数学模型时，通常模型是由参数确定的。在数学世界中，**最优化问题**就是如何确定这些参数的。

而且从数学上来说，确定神经网络的参数是一个最优化问题，具体就是对神经网络的参数（即权重和偏置）进行拟合，使得神经网络的输出与实际数据相吻合。

**3.2 回归分析**

由多个变量组成的数据中，着眼于其中一个特定的变量，用其余的变量来届时这个特定的变量，这样的方法称为**回归分析。**

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_12_color_FFFFFF_t_70_g_se_x_16][]![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 16][]

**3.3 代价函数**

*  在最优化方面，误差总和可以称为“误差函数”、“损失函数”、“代价函数”等；
 *  除了平方误差的总和![49e0eaa83df04c1aa5e6e27d3c69a6c4.png][]之外，代价函数还存在其他多种形式；
 *  利用平方误差的总和进行最优化的方法称为**最小二乘法**。

**3.4 最小二乘法的python举例**

import matplotlib.pyplot as plt
    from matplotlib.font_manager import FontProperties
    import scipy.optimize as opt
    from scipy import sparse
    import numpy as np
    
    #拟合函数
    def func(a, x):
        k, b = a
        return k*x+b
    
    def dist(a, x, y):
        return func(a, x) - y
    
    font = FontProperties()
    
    plt.rcParams['font.sans-serif'] = 'SimHei'
    plt.rcParams['font.sans-serif'] = 'Droid Sans Fallback'
    plt.rcParams['font.sans-serif'] = 'SimHei'
    plt.rcParams['axes.unicode_minus'] = False
    
    plt.figure()
    plt.title(u'女生的身高体重数据')
    plt.xlabel(u'体重/kg')
    plt.ylabel(u'身高/cm')
    plt.axis([40, 80, 140, 200])
    plt.grid(True)
    x = np.array([48.0, 57.0, 50.0, 54.0, 64.0, 61.0, 43.0, 59.0])
    y = np.array([165.0, 165.0, 157.0, 170.0, 175.0, 165.0, 155.0, 170.0])
    plt.plot(x, y, 'k.')
    param = [0, 0]
    var = opt.leastsq(dist, param, args = (x, y))
    k, b = var[0]
    print(k, b)
    plt.plot(x, k*x+b, 'o-')
    plt.show()

拟合出来的结果：k = 0.7514124562779751; b = 124.29802113285037;

![watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 17][]

**3.5 模型参数的个数**

*  回归方程是根据大量的条件所得到的折中结果；
 *  要确定模型，就必须准备好规模大于参数个数的数据；

--------------------

## 总结 ##

以上就是今天要讲的内容，本文介绍了神经网络所需的数学基础，误差反向传播法所需的链式法则、梯度下降法的含义与公式以及最优化问题和回归分析的相关知识。

欢迎大家留言一起讨论问题~~~

--------------------

## 系列文章目录 ##

[第一章：会思考的机器你造嘛——AI技术][AI]

[第二章：机器学习的概率统计模型（附代码）][Link 1]

[第三章：深度学习敲门砖——神经网络 ][Link 2]

[第四章：掌握神经网络的法宝（一）][Link 3]

[第五章：掌握神经网络的法宝（二）][Link 4]

[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/6834b93837dc4e66b5289ba3209113ed.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 1]: https://img-blog.csdnimg.cn/6c018b3220634c22bd51de6415ea4e29.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 2]: https://img-blog.csdnimg.cn/9885c4d1439f4d31ba1df38a9e290014.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 3]: https://img-blog.csdnimg.cn/22fdae2f03f342ed9605068eef779b7d.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 4]: https://img-blog.csdnimg.cn/9482f7b5f5f5499a852f4102bf68a7e1.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 5]: https://img-blog.csdnimg.cn/3fdd769925d04b6baa51207b2610616f.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 6]: https://img-blog.csdnimg.cn/75e492b0037d4eb7ac6704874aaee04a.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[2bec281dd89b4306b15f309c91aeb375.png]: https://img-blog.csdnimg.cn/2bec281dd89b4306b15f309c91aeb375.png
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 7]: https://img-blog.csdnimg.cn/fe1edfd1e17141e28a13b3371b2fc0e3.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 8]: https://img-blog.csdnimg.cn/09dc4634b49c4a4a8cdb8c6affc8beba.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 9]: https://img-blog.csdnimg.cn/40e5f35b05944d52ba85f8cf328ecef3.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 10]: https://img-blog.csdnimg.cn/9fd689a4f7624af095ea77721d49e563.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 11]: https://img-blog.csdnimg.cn/2c2a13479fa74c6a9fd5020f018e5ba5.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 12]: https://img-blog.csdnimg.cn/639f2b2fdae749d38649d8061b9d407d.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 13]: https://img-blog.csdnimg.cn/9cb34b1d2db54ef09d59f3cbb53b7317.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 14]: https://img-blog.csdnimg.cn/92f530abdee04267b9ca2c1355d95eb2.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 15]: https://img-blog.csdnimg.cn/88ac05422a3b4b8a85f77877f7a5765d.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_12_color_FFFFFF_t_70_g_se_x_16]: https://img-blog.csdnimg.cn/cd66445b3c6a40adaa6685d2cc6ff91f.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_12,color_FFFFFF,t_70,g_se,x_16
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 16]: https://img-blog.csdnimg.cn/f7f7b16988544ac0b7cab0106ea67c03.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[49e0eaa83df04c1aa5e6e27d3c69a6c4.png]: https://img-blog.csdnimg.cn/49e0eaa83df04c1aa5e6e27d3c69a6c4.png
[watermark_type_d3F5LXplbmhlaQ_shadow_50_text_Q1NETiBAS1VVVUQ_size_20_color_FFFFFF_t_70_g_se_x_16 17]: https://img-blog.csdnimg.cn/9230aae899744b9d9a0c61b51bdea206.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBAS1VVVUQ=,size_20,color_FFFFFF,t_70,g_se,x_16
[AI]: https://blog.csdn.net/weixin_53919192/article/details/123970495
[Link 1]: https://blog.csdn.net/weixin_53919192/article/details/124026891?spm=1001.2014.3001.5502
[Link 2]: https://blog.csdn.net/weixin_53919192/article/details/123929732?spm=1001.2014.3001.5502
[Link 3]: https://blog.csdn.net/weixin_53919192/article/details/124003111
[Link 4]: https://blog.csdn.net/weixin_53919192/article/details/124067880