最近在工作中遇到一個用傳統的規則模型無法很好解決的問題，于是才又想起了人工神經網絡。終于在好奇心的驅使下，在網上找到了這本很多程序員都推薦的機器學習入門書籍《神經?絡與深度學習》（英文書名：Neural Networks and Deep Learning），作者Michael Nielsen。

目前這本書有團隊已經翻成中文了，更加方便學習，知乎上的鏈結，跳轉前麻煩雙擊屏幕給點贊：

紅色石頭：火爆網絡的《神經網絡與深度學習》，有人把它翻譯成了中文版！

再推薦一本復旦大學邱錫鵬教授寫的入門的書籍，中文書名居然完全相同，也叫《神經?絡與深度學習》。想學習更完整知識體系的朋友可以看看，書中還有貼心總結的“數學基礎”章節，適合需要補習數學原理的朋友。

在自己推導反向傳播公式的時候，發現知乎上的一本電子書非常棒，每一步推導都寫得有理有據。而且還配有詳細的圖解，非常適合初學神經網絡的小白。

這里與大家分享一下，自學《Neural Networks and Deep Learning》第一、二章的過程。

一、學習準備

下載github示例源碼

全書的例子都是用python寫的，開始看書前第一件事情就是把github的倉庫拉到本地：

https://github.com/mnielsen/neural-networks-and-deep-learning

作者還推薦一個兼容python3.5版本的github倉庫地址，我們就以python3.5為例子：

https://github.com/MichalDanielDobrzanski/DeepLearningPython35

2. 在linux上安裝python3.5

首先，在ubuntu下安裝python3

sudo apt-get install python3

但這樣只安裝了python3.4，要想使用python3.5，則必須升級python3.4

sudo add-apt-repository ppa:fkrull/deadsnakes sudo apt-get update sudo apt-get install python3.5

使用以上三行命令便可升級python3.4到python3.5。注意，在啟動時需要命令行輸入python3.5。

3. 安裝numpy

apt-get安裝的pyhton3.5中自帶了pip，可以通過下面命令訪問：

python3.5 -m pip -V pip 1.5.4 from /usr/lib/python3/dist-packages (python 3.5)

但是pip的版本太老了，需要更新一下

python3.5 -m pip install --upgrade pip Downloading/unpacking pip from https://files.pythonhosted.org/packages/36/74/38c2410d688ac7b48afa07d413674afc1f903c1c1f854de51dc8eb2367a5/pip-20.2-py2.py3-none-any.whl#sha256=d75f1fc98262dabf74656245c509213a5d0f52137e40e8f8ed5cc256ddd02923Downloading pip-20.2-py2.py3-none-any.whl (1.5MB): 1.5MB downloaded Installing collected packages: pipFound existing installation: pip 1.5.4Not uninstalling pip at /usr/lib/python3/dist-packages, owned by OS Successfully installed pip Cleaning up...

pip默認安裝包是從網站https://pypi.org/simple下載，我們可以將其改成國內的鏡像網站，加速下載過程，下面以安裝numpy庫為例：

# 清華鏡像 pip install -i https://pypi.tuna.tsinghua.edu.cn/simple numpy

如果運行時報錯，使用上述方案繼續安裝需要的庫。

二、運行python代碼

先按照書上的方法，把代碼跑一遍先有個感觀上的認識。其中mnist_loader主要加載訓練和測試數據，network主要實現神經網絡的初始化和訓練及測試。輸出的結果就是每次學習迭代后，使用10000個測試數據的正確率。

#python3.5 >>> import mnist_loader >>> training_data, validation_data, test_data = mnist_loader.load_data_wrapper() >>> import network >>> net=network.Network([784,30,10]) >>> net.SGD(training_data, 30, 10, 3.0, test_data=test_data) Epoch 0 : 9108 / 10000 Epoch 1 : 9309 / 10000 Epoch 2 : 9371 / 10000 Epoch 3 : 9392 / 10000 Epoch 4 : 9405 / 10000 Epoch 5 : 9404 / 10000 Epoch 6 : 9449 / 10000 Epoch 7 : 9410 / 10000 Epoch 8 : 9434 / 10000 Epoch 9 : 9475 / 10000 Epoch 10 : 9460 / 10000 Epoch 11 : 9494 / 10000 Epoch 12 : 9473 / 10000 Epoch 13 : 9479 / 10000 Epoch 14 : 9468 / 10000 Epoch 15 : 9496 / 10000 Epoch 16 : 9472 / 10000 Epoch 17 : 9489 / 10000 Epoch 18 : 9497 / 10000 Epoch 19 : 9488 / 10000 Epoch 20 : 9496 / 10000 Epoch 21 : 9502 / 10000 Epoch 22 : 9486 / 10000 Epoch 23 : 9486 / 10000 Epoch 24 : 9489 / 10000 Epoch 25 : 9501 / 10000 Epoch 26 : 9501 / 10000 Epoch 27 : 9498 / 10000 Epoch 28 : 9489 / 10000 Epoch 29 : 9497 / 10000

三、感受

看完第一、二章之后，感覺入門的難點主要是：

數學知識

• 矩陣相關的加、減、乘和除
• 導數、偏導數、梯度和微分

2. 反向傳播的數學公式推導，理解單元素公式轉變成向量化公式的過程

3. python知識

• python內置函數：zip
• numpy庫相關的函數
• 向量化代碼
• 理解如何從傳統編程語言對每個元素操作，轉變成使用numpy庫的向量化編程風格

四、分享自學過程

1、前向傳播

使用權重ω和偏置b沿前饋方向計算每個神經元的激活輸出

神經網絡為[2,3,1]

下面是根據示意圖進行的過程計算：

1.1 元素化計算過程

第一層，輸入：

[[x1],[x2]]

第一層到第二層權重：

[[ω211, ω212],[ω221, ω222],[ω231, ω232]]

第二層偏置：

[[b21],[b22],[b23]]

第二層激活輸出：

[[σ(x1*ω211+x2*ω212+b21)],[σ(x1*ω221+x2*ω222+b22)],[σ(x1*ω231+x2*w232+b23)]]

第二層到第三層權重：

[[ω311, ω312, ω313]]

第三層偏置：

[[b33]]

第三層激活輸出：

[[σ(σ(x1*ω211+x2*ω212+b21)*ω311+ σ(x1*ω221+x2*ω222+b22)*ω312 + σ(x1*ω231+x2*w232+b23)*ω313 + b33)]]

1.2 向量化計算過程：

第一層輸入：X，shape(2,1) 第一層到第二層的權重：W21, shape(3,2) 第二層偏置：B2, shape(3,1) 第二層激活輸出： σ(W21*X+B2)，注意矩陣的shape(3,1) 第二層到第三層權重：W32, shape(1,3) 第三層偏置：B3, shape(1,1) 第三層激活輸出：σ(W32*σ(W21*X+B2)+B3), shape(1,1)

2、反向傳播

使用梯度下降和偏導數的數學概念，從神經網絡最后一層的輸出開始，反向更新每個神經元的偏置b'，以及每條神經元連接的權重ω'。

理解了梯度和偏導之后，再弄明白為什么叫反向傳播，反向傳播的到底是什么？這就要引入一個概念神經元誤差：神經元誤差是代價函數C關于第l層第j個神經元帶權輸入的偏導數，這個神經元誤差代表帶權輸入給代價函數帶來的變化率。在反向傳播中，首先計算出輸出層的神經元誤差，再利用公式計算出前一層的神經元誤差，實際上反向傳播的就是神經元誤差。

（強烈推薦知乎上的一本書《深度學習的數學》，書中第四章非常詳細的進行了反向傳播的公式推導）

2.1 代價函數

用于衡量前向傳播的輸出與訓練樣本的期望輸出的偏差

（公式1）

下面是二次代價函數的幾何圖形，反向傳播就是為了更新權重ω和偏置b使代價函數接近圖形的最低點。

2.2 梯度

為什么選擇函數的梯度？

因為梯度是函數在A點無數個變化方向中變化最快的那個方向，要找最低點當然選擇“梯度下降”最快。

為什么梯度下降，又變成求偏導數了呢？

因為數學家們發現，只要每一個變量都沿著關于這個變量的偏導所指定的方向來變化，函數的整體變化就能達到最快。所以，梯度是偏導數的向量。

反向傳播示例圖

上圖的梯度向量為公式2

（公式2）

2.3 神經元誤差

為什么叫反向傳播，反向傳播的到底是什么？

這里就要引入一個概念“神經元誤差”：神經元誤差，是代價函數C關于第l層第j個神經元帶權輸入的偏導數，這個神經元誤差代表帶權輸入給代價函數帶來的變化率。
在反向傳播中，首先計算出輸出層的神經元誤差，再利用公式計算出前一層的神經元誤差，實際上反向傳播的就是神經元誤差。

神經元誤差定義為公式3

（公式3）

緊接著推導出，代價函數C關于第l層第j個神經元的第i條權重的偏導數為神經元誤差乘以l-1層的激活輸出值，公式4

（公式4）

代價函數C關于第l層第j個神經元的偏置的偏導數為神經元誤差，公式5

（公式5）

下一步，只要帶推導出上下層之間神經元誤差的關系，就可以開始反向傳播了：第l層第j個神經元的誤差等于，該神經元到第l+1層每個神經元的權重與神經元的誤差相乘求和，再乘以參數為第l層第j個神經元的帶權輸入的激活函數的導函數的值，公式6

（公式6）

反向傳播簡化了求導過程，只需要找出輸出層的神經元誤差，再使用公式計算反向推出各層的神經元誤差，再利用神經元誤差計算每層各神經元的偏導數，從而更新權重和偏置。

2.4 反向誤差傳播的過程

根據輸入和前向傳播計算出每層的激活值

計算輸出層神經元誤差

利用l層神經元和l+1層神經元誤差的關系公式，反向計算每一層的神經元誤差

用神經元誤差計算梯度

用梯度更新權重和偏置

五、反向誤差傳播舉例計算（代價函數為方差）

計算輸出層神經元誤差

σ31 = ?C/?a31*a'(z31) = (a31-t1)*a'(z31) σ32 = ?C/?a32*a'(z32) = (a32-t2)*a'(z32)

2. 計算倒數第二層神經元誤差

σ21 = (σ31*ω311 + σ32*ω321) * a'(z21) σ22 = (σ31*ω312 + σ32*ω322) * a'(z22) σ23 = (σ31*ω313 + σ32*ω323) * a'(z23) σ24 = (σ31*ω314 + σ32*ω324) * a'(z24)

3. 計算輸出層權重和偏置的偏導數

?C/?ω311 = σ31*a21 ?C/?ω312 = σ31*a22 ?C/?ω313 = σ31*a23 ?C/?ω314 = σ31*a24 ?C/?b31 = σ31?C/?ω321 = σ32*a21 ?C/?ω322 = σ32*a22 ?C/?ω323 = σ32*a23 ?C/?ω324 = σ32*a24 ?C/?b32 = σ32

4. 計算倒數第二層的權重和偏置的偏導數

?C/?ω211 = σ21*a11 ?C/?ω212= σ21*a12 ?C/?ω213= σ21*a13 ?C/?b21 = σ21?C/?ω221 = σ22*a11 ?C/?ω222= σ22*a12 ?C/?ω223= σ22*a13 ?C/?b22 = σ22?C/?ω231 = σ23*a11 ?C/?ω232= σ23*a12 ?C/?ω233= σ23*a13 ?C/?b23 = σ23?C/?ω241 = σ24*a11 ?C/?ω242 = σ24*a12 ?C/?ω243 = σ24*a13 ?C/?b24 = σ24

5. 更新權重和偏置

ω211 = ω211 - α * ?C/?ω211 = ω211 - α * σ21*a11 ω212 = ω212 - α * ?C/?ω212 = ω212 - α * σ21*a12 ω213 = ω213 - α * ?C/?ω213 = ω213 - α * σ21*a13 b21 = b21 - α * ?C/?b21 = b21 - α * σ21ω221 = ω221 - α * ?C/?ω221 = ω221 - α * σ22*a11 ω222 = ω222 - α * ?C/?ω222 = ω222 - α * σ22*a12 ω223 = ω223 - α * ?C/?ω223 = ω223 - α * σ22*a13 b22 = b22 - α * ?C/?b22 = b22 - α * σ22ω231 = ω231 - α * ?C/?ω231 = ω231 - α * σ23*a11 ω232 = ω232 - α * ?C/?ω232 = ω232 - α * σ23*a12 ω233 = ω233 - α * ?C/?ω233 = ω233 - α * σ23*a13 b23 = b23 - α * ?C/?b23 = b23 - α * σ23ω241 = ω241 - α * ?C/?ω241 = ω241 - α * σ24*a11 ω242 = ω242 - α * ?C/?ω242 = ω242 - α * σ24*a12 ω243 = ω243 - α * ?C/?ω243 = ω243 - α * σ24*a13 b24 = b24 - α * ?C/?b24 = b24 - α * σ24ω311 = ω311 - α * ?C/?ω311 = ω311 - α * σ31*a21 ω312 = ω312 - α * ?C/?ω312 = ω312 - α * σ31*a22 ω313 = ω313 - α * ?C/?ω313 = ω313 - α * σ31*a23 ω314 = ω314 - α * ?C/?ω314 = ω314 - α * σ31*a24 b31 = b31 - α * ?C/?b31 = b31 - α * σ31ω321 = ω321 - α * ?C/?ω321 = ω321 - α * σ32*a21 ω322 = ω322 - α * ?C/?ω322 = ω322 - α * σ32*a22 ω323 = ω323 - α * ?C/?ω323 = ω323 - α * σ32*a23 ω324 = ω324 - α * ?C/?ω324 = ω324 - α * σ32*a24 b32 = b32 - α * ?C/?b32 = b32 - α * σ32

以上就是學習過程的總結，后續再更新學習第三章的總結。如果您看到這里，說明您很認真的閱讀，同時覺得分享的東西還有點用，那就再麻煩您雙擊文章給個贊同，謝謝各位看官。

總結

以上是生活随笔為你收集整理的《神经⽹络与深度学习》-自学笔记01的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。