python中BackPropagation链式法则是什么

这篇文章主要介绍python中BackPropagation链式法则是什么，文中介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们一定要看完！

1.链式法则

根据以前的知识，如果我们需要寻找到目标参数的值的话，我们需要先给定一个初值，然后通过梯度下降，不断对其更新，直到最终的损失值最小即可。而其中最关键的一环，就是梯度下降的时候，需要的梯度，也就是需要求最终的损失函数对参数的导数。

如下图，假设有一个神经元，是输入层，有2个数据，参数分别是w1和w2，偏置项为b，那么我们需要把这些参数组合成一个函数z，然后将其输入到sigmoid函数中，便可得到该神经元的输出结果。过程中，z对w求导十分好算，就是x1和x2。根据链式法则，如下图左下角所示，我们整体的计算过程就是，通过前向传播求出z对w的偏导，再通过反向传播找到损失函数C对z的偏导。

2.前向传播

计算z对w的偏导：前向传播相当简单，对参数的偏导结果就是参数对应的输入数据，如下图所示。输入数据对于输入层来说就是原始数据1和-1，对于其他层，输入数据就是通过sigmoid转换后的输出结果。

3.后向传播

计算C对z的偏导：

设每一个神经元中，sigmoid函数最终的输出为a，则C对z的偏导，根据链式法则，就可以写作a对z的偏导，乘上C对a的偏导。

a对z的偏导，只是一个sigmoid函数，该函数偏导可以计算。

C对a的偏导，由于a输入进了下一层的多个神经元，假设有2个，因此，C对a的偏导，等于分别对这两个神经元求偏导并求和。比如第一个神经元z' = 输入a*权重w3+...，那么C对这个神经元求偏导，就是C对z'求偏导，乘上z'对a求偏导，后一项十分简单，就是w3；对于z''来说，对a求偏导就是w4

那么问题又变成了，C对z', z''求偏导的结果是什么？

假！如！ 损失函数C对z'和z''的偏导已知了：

以上C对z求偏导的计算过程，可以写作以下的式子，括号外就是a对z求偏导，括号内就是C对a求偏导：

这个式子可以看做一个反向传播的神经元，如下图所示：

这个神经元中，损失函数C对sigmoid转化前的z' 和z''求导的结果，就是输入，权重w3,w4是输入对应的权重，将这两个输入乘上参数后相加，再和sigmoid函数对z的导数相乘，最终得到C对z的偏导。而sigmoid对z的导数，这个是常数，并且已经是确定了的，因为我们通过前向传播计算，就已经能够将其确定。

有了第一个反向传播的输出结果，那么就可以有隐藏层的其他神经元所需要的结果，以此类推，对于所有神经元，我们均可算出损失函数对其z的偏导。有了这个，那么我们结合z对w的偏导，就可以计算出每一个参数w的梯度。从而进行梯度下降。

4.计算方式整理

假设我们计算的是输出层，那么我们通过前向传播后，已经得到了一个输出了，于是就已经有损失函数C了，同时前向传播也让我们得到了z'和z''，那么所有需要的数据已就绪，可以直接计算出来C对z'和z''的偏导。

假如我们计算的是中间层，在计算C对z'的偏导的时候，还需要下一层通过反向传播给到的C对两个其他z的结果，那么我们就继续往下计算，继续寻找下一层计算的时候，需要的下下一层的信息，一直到输出层后，我们得到一个，再往回推，以此递归计算前面待定的所有项。

5.总结

既然我们需要输出层的内容作为反向传播的输入，我们在进行完前向传播之后，就别考虑前面需要什么求导了，干脆直接从结尾开始算起，得到每一层的损失函数C对每一个z的偏导即可。

至此，我们得到了每一个神经元前向传播的z对w的偏导（其实就是sigmoid转化后的输出a），以及每一个神经元反向传播后的C对z的偏导，二者相乘，就得到了我们需要的结果，也就是每一个参数的梯度。

以上是"python中BackPropagation链式法则是什么"这篇文章的所有内容，感谢各位的阅读！希望分享的内容对大家有帮助，更多相关知识，欢迎关注行业资讯频道！