AI 從頭學（九）：Back Propagation

AI 從頭學（九）：Back Propagation

2017/02/05

前言：

這一篇不是要教你 Back Propagation（BP）Algorithm，只是解答我在自學 Deep Learning（DL）過程中所產生的疑問。

-----

Fig. Propagation（圖片來源：Pixabay）。

-----

Summary：

我從網路上輾轉獲得神諭，要學 AI（目前 DL 幾乎等同其代名詞）的方法，是用 Python 全手工實作 LeNet [1]-[3]，不靠 Automatic Differentiation（AD）[4], [5] 的套件。先把 CNN [3] 寫出來。其他如 RNN，只是類似的概念加以延伸。

LeNet [1], [2] 最主要的函式是 CNN [3]，CNN 的核心函式是前向傳播，以及反向傳播 Back Propagation（BP）[6]-[20]。BP 再呼叫 AD [4], [5]。

一開始我查了不少論文 [1], [18]-[20]，可惜論文是寫給專家看的，很難看懂。後來我查了一些電子書 [13]-[17]，有好一點。最後還是靠網路上部落格的文章 [6]-[9]，解決了疑惑。

-----

Q1：微分
Q2：Activation function
Q3：輸入與輸出
Q4：訓練與測試

-----

Q1：微分

第一個問題是，你從網路上查到一堆 DL 的論文，為什麼裡面會有一堆偏微分的符號？

答案是：這雖然是一個演算法，但是當你把問題定義好之後，它其實是一個數學問題，目的是要求得神經網路的運算值與正確值差異之函數之極小值（參考圖一）。極小值最理想的情形是 0，在往 0 邁進的途中，我們要一次又一次從目前的結果反推回去，藉由改變一點點 weight（and bias），讓誤差變小。

往哪邊移，誤差會變小？導數為正，函數值漸增，導數為負，函數值漸減。所以當你求出導數，要移動一點點，就把原來的權重 w 減掉斜率（導數）乘以步長（參考圖二、三），函數（誤差）值才會變小。這個步長，是常數，一般很小，但也有取 0.5 的例子 [8]，高階的作法，也可以是變數 [1]。

Fig. 1. 最小值問題 [1]。

Fig. 2. Training weighting factors [1]。

Fig. 3. Training weighting factors [5]。

-----

Q2：Activation function

論文裡面會有種種的 activation functions，這些函數為何要長成這樣？

千言萬語，不如一圖在手。

Fig. 4. Activation function, p. 475, [13]。

-----

Q3：輸入與輸出

CNN 是有輸入跟輸出的演算法。

輸入是什麼呢？若以影像辨識為例，不管是前半段訓練期或者後半段測試期，每次是一張圖片，每個神經元的輸入是一個像素 (pixel) [6], [9]。

輸出是什麼呢？輸出是每一個 label 的相似度，是一個正數或 0，可以把它規範在 0 與 1 之間 [9]。這是一個向量，可以用種種不同的 norm 來計算輸出值與正確值的誤差。非數學系的話，不講 norm，講 metric 可能比較容易聽懂。或者就用最簡單的歐幾里得距離。

-----

Q4：訓練與測試

第一步，選定訓練集合。
第二步，隨機指定 w, b 初值。
第三步，設定步長。

把 [8], [9] 都看懂之後，[15] 的演算法應該就看的懂了（參考圖五）。

Fig. 5. Back-propagation algorithm, p. 66 [15].

-----

結論：

BP 是 DL 最基礎的部分。去年 11 月到今年 1 月農曆過年前這三個月，我利用下班時間斷斷續續 K 一點 DL。幸虧遇到高人不吝傳授心法。我的感想是：自助者得天助。希望這篇文章能幫到其他對 DL 有興趣的同好。

-----

出版說明：

2019/09/07

深度學習的核心是反向傳播法，反向傳播法的核心是梯度下降法，而反向傳播法，其實是微積分裡的 chain rule。說實在的，反向傳播法確實有點複雜，最近我也搞清楚了，有機會的話，再寫一篇新文章了！

-----

References

[1] 1998_Gradient-Based Learning Applied to Document Recognition

[2] LeNet CNN 實例 MNIST 手寫數字辨識  allenlu2007
https://allenlu2007.wordpress.com/2015/11/28/mnist-database-%E6%89%8B%E5%AF%AB%E6%95%B8%E5%AD%97%E8%BE%A8%E8%AD%98/

[3] 2002_Tutorial on Convolutions - Torch

[4] 2010_Introduction to Automatic Differentiation and MATLAB Object-Oriented Programming

[5] 2014_Automatic differentiation of algorithms for machine learning

[6] [Note]Neural Network的一些基本概念(1) – iphone3310
https://iphone3310.wordpress.com/2016/03/24/noteneural-network%E7%9A%84%E4%B8%80%E4%BA%9B%E5%9F%BA%E6%9C%AC%E6%A6%82%E5%BF%B5/

[7] [Note]Neural Network的一些基本概念(2)：back propagation推導 – iphone3310
https://iphone3310.wordpress.com/2016/04/01/noteneural-network%E7%9A%84%E4%B8%80%E4%BA%9B%E5%9F%BA%E6%9C%AC%E6%A6%82%E5%BF%B52%EF%BC%9Aback-propagation%E6%8E%A8%E5%B0%8E/

[8] 1984年產物 倒傳遞神經網路(BACKPROPAGATION NETWORK, BPN)
http://donaldknuth.blogspot.tw/2013/01/backpropagation-network-bpn.html

[9] Back Propagation Neural Network 倒傳遞類神經網路  學習堅持，堅持學習 - 點部落
https://dotblogs.com.tw/dragon229/2013/01/23/88750

[10] 反向傳播算法 - 維基百科，自由的百科全書
https://zh.wikipedia.org/wiki/%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD%E7%AE%97%E6%B3%95

[11] 

[12] Neural networks and deep learning
http://neuralnetworksanddeeplearning.com/index.html

[13] 2016_Practical Machine Learning - Chapter 11: Deep learning, pp. 460-511.

[14] 2015_Python Machine Learning - Chapter 12: Training Artificial Neural Networks for Image Recognition, pp. 341-385.

[15] 2015_Automatic speech recognition, a deep learning approach - Chapter 4: Deep Neural Networks, pp. 57-77.

[16] 2006_Pattern Recognition and Machine Learning - Chapter 5: Neural Networks, pp. 225-290.

[17] Chapter 7: The Backpropagation Algorithm
https://page.mi.fu-berlin.de/rojas/neural/chapter/K7.pdf

[18] 1989_Theory of the backpropagation neural network

[19] 1990_30 years of adaptive neural networks, perceptron, madaline, and backpropagation

[20] 1993_A direct adaptive method for faster backpropagation learning, The RPROP algorithm