标签：
BP算法是关于误差的反向传播算法，就是从输出层开始，将结果与预期结果相比较，求出误差，然后按照梯度最大下降方向，调整神经元的联接权值，然后依次逐层调整各层之间的连接权值，对于批量学习方式而言，不断重复上述过程，直到误差达到足够小时为止。
对于输出层而言，我们可以直接使用在上一篇博文中关于感知器模型的算法，BP算法的难点在于，如何处理隐藏层，因为隐藏层没有正确的输出信息用来计算误差。
下面我们将从输出层开始，推导出BP算法。在rwy推导算法之前，我们先来定义一下表示方法，和原来一样，我们用i来表示输入（前一层）信号的序号，我们用上标n来是第n个训练样本，我们用下标j来表示输出层（后一层）的神经元编号，当前层用l来表示，前一层用l-1来表示。
我们先来看输出层，对于输出层，由于我们知道每个训练样本对应的希望输出，所以我们可以很容易定义出对于每个训练样本的误差：
式8.1
式中j为输出层神经元序号，L为输出层神经元数量。我们假设输出层为l层，其前一层为隐藏层记为l-1层，则从l-1层第i个节点到l层（输出层）第j个节点的连接权值记为
，我们的目标就是根据误差值士求出的调整量。
对输出层每个神经元，我们先求误差对于每个节点的偏导：
式8.2
求误差对每个输出节点输入量的偏导：
式8.3
求误差对每个连接权值的偏导：
式8.4
可以通过将式8.3带入到式8.4求出其值，因为有公式：
式8.5
即可以求出所有输出层相关的连接权值的调整值。
这样我们就完成了输出层的处理，下面我们来看与输出层直接相连的前一层l-1，其神经元序号为i，我们也首先对每个神经元求误差对于输出量的偏导：
式8.6
式8.6中的最后一项，在我们处理输出层时已经计算出来了，这时可以直接使用。
接下来我们求误差对于输入量的偏导：
式8.7
其中最后一项已经由式8.6式计算出来。
求误差对每个连接权值的偏导：
式8.8
式8.8中最后一项在式8.7中已经计算完成，因此权值调整公式为：
式8.9
将式8.8代入到式8.9中，即可计算出输出层前一层l-1层所有连接权值的调整量。
其实上述公式已经完全导出了BP算法，但是为了直观起见，我们再求一下l-2层的计算公式，这是隐藏层的最典型形式。假设l-2层神经元的序号为h。
首先对l-2层每个神经元，求出误差对输出量的偏导：
式8.10
式8.10中的最后一项，在第l-1层时已经计算完成，在这里可以直接使用。
接着我们求出误差对l-2层的输入量的偏导：
式8.11
式8.11的最后一项可以通过式8.10计算得到。
接着求误差对第个连接权值的偏导：在这里我们假设l-3层的神经元序号为g
式8.12
式8.12的最后一项可以通过式8.11计算得到，因此权值调整公式为：
式8.13
至此，我们已经将多层网络的BP算法推导过程完全做完了，可以看出，既使是最简单的神经网络算法，也需要复杂的推导过程。而且，细心的读者也许可以发现，我们上面的推导过程，实际上只针对在线学习方式，既针对每个训练样本的误差调整网络连接权值。我们知道这种方式可能会有权值调整太随机而且低效，因此需要采用批量学习方式，那么上棕推导过程还会更加复杂，在这里就不进行推导了，因为数学并不是我们关注的焦点。
其实这里还没完，对于数学家来说，这个算法虽然出来了，还需要证明采用这种方法，在有限次迭代内，可以达到全局最优解，既需要证明其收敛性，太难了，就不涉及了。
在下一篇博文中，我们将采用Theano框架，实现一个简单的多层前向网络，大家来可以看一下，理论与实际是如何结合在一起的。
标签：
原文地址：http://blog.csdn.net/yt7589/article/details/52279385
