作者：韩信子@ShowMeAI教程地址：https://www.showmeai.tech/tutorials/37本文地址：https://www.showmeai.tech/article-detail/263声明：版权所有，转载请联系平台与作者并注明出处收藏ShowMeAI查看更多精彩内容
本系列为斯坦福CS231n《深度学习与计算机视觉(Deep Learning for Computer Vision)》的全套学习笔记，对应的课程视频可以在这里查看。更多资料获取方式见文末。
引言
在上一篇深度学习与CV教程(3) | 损失函数与最优化内容中，我们给大家介绍了线性模型的损失函数构建与梯度下降等优化算法，【本篇内容】ShowMeAI给大家切入到神经网络，讲解神经网络计算图与反向传播以及神经网络结构等相关知识。
本篇重点
神经网络计算图反向传播神经网络结构1.反向传播算法
神经网络的训练，应用到的梯度下降等方法，需要计算损失函数的梯度，而其中最核心的知识之一是反向传播，它是利用数学中链式法则递归求解复杂函数梯度的方法。而像tensorflow、pytorch等主流AI工具库最核心的智能之处也是能够自动微分，在本节内容中ShowMeAI就结合cs231n的第4讲内容展开讲解一下神经网络的计算图和反向传播。
关于神经网络反向传播的解释也可以参考ShowMeAI的深度学习教程 | 吴恩达专项课程 · 全套笔记解读中的文章神经网络基础、浅层神经网络、深层神经网络里对于不同深度的网络前向计算和反向传播的讲解
1.1 标量形式反向传播
1) 引例
我们来看一个简单的例子，函数为 f(x,y,z)=(x+y)zf(x,y,z) = (x + y) zf(x,y,z)=(x+y)z。初值 x=−2x = -2x=−2，y=5y = 5y=5，z=−4z = -4z=−4。这是一个可以直接微分的表达式，但是我们使用一种有助于直观理解反向传播的方法来辅助理解。
下图是整个计算的线路图，绿字部分是函数值，红字是梯度。（梯度是一个向量，但通常将对 xxx 的偏导数称为 xxx 上的梯度。）
上述公式可以分为2部分， q=x+yq = x + yq=x+y 和 f=qzf = q zf=qz。它们都很简单可以直接写出梯度表达式：
fff 是 qqq 和 zzz 的乘积， 所以 ∂f∂q=z=−4\frac{\partial f}{\partial q} = z=-4∂q∂f=z=−4，∂f∂z=q=3\frac{\partial f}{\partial z} = q=3∂z∂f=q=3qqq 是 xxx 和 yyy 相加，所以 ∂q∂x=1\frac{\partial q}{\partial x} = 1∂x∂q=1，∂q∂y=1\frac{\partial q}{\partial y} = 1∂y∂q=1
我们对 qqq 上的梯度不关心（ ∂f∂q\frac{\partial f}{\partial q}∂q∂f 没有用处）。我们关心 fff 对于 x,y,zx,y,zx,y,z 的梯度。链式法则告诉我们可以用「乘法」将这些梯度表达式链接起来，比如
∂f∂x=∂f∂q∂q∂x=−4\frac{\partial f}{\partial x} = \frac{\partial f}{\partial q} \frac{\partial q}{\partial x} =-4 ∂x∂f=∂q∂f∂x∂q=−4
同理， ∂f∂y=−4\frac{\partial f}{\partial y} =-4∂y∂f=−4，还有一点是 ∂f∂f=1\frac{\partial f}{\partial f}=1∂f∂f=1
前向传播从输入计算到输出（绿色），反向传播从尾部开始，根据链式法则递归地向前计算梯度（显示为红色），一直到网络的输入端。可以认为，梯度是从计算链路中回流。
上述计算的参考 python 实现代码如下：
# 设置输入值x = -2; y = 5; z = -4# 进行前向传播q = x + y # q 是 3f = q * z # f 是 -12# 进行反向传播:# 首先回传到 f = q * zdfdz = q # df/dz = q, 所以关于z的梯度是3dfdq = z # df/dq = z, 所以关于q的梯度是-4# 现在回传到q = x + ydfdx = 1.0 * dfdq # dq/dx = 1. 这里的乘法是因为链式法则。所以df/dx是-4dfdy = 1.0 * dfdq # dq/dy = 1.所以df/dy是-4'''一般可以省略df'''
2) 直观理解反向传播
反向传播是一个优美的局部过程。
以下图为例，在整个计算线路图中，会给每个门单元（也就是 fff 结点）一些输入值 xxx , yyy 并立即计算这个门单元的输出值 zzz ，和当前节点输出值关于输入值的局部梯度（local gradient） ∂z∂x\frac{\partial z}{\partial x}∂x∂z 和 ∂z∂y\frac{\partial z}{\partial y}∂y∂z 。
门单元的这两个计算在前向传播中是完全独立的，它无需知道计算线路中的其他单元的计算细节。但在反向传播的过程中，门单元将获得整个网络的最终输出值在自己的输出值上的梯度 ∂L∂z\frac{\partial L}{\partial z}∂z∂L 。
根据链式法则，整个网络的输出对该门单元的每个输入值的梯度，要用回传梯度乘以它的输出对输入的局部梯度，得到 ∂L∂x\frac{\partial L}{\partial x}∂x∂L 和 ∂L∂y\frac{\partial L}{\partial y}∂y∂L 。这两个值又可以作为前面门单元的回传梯度。
因此，反向传播可以看做是门单元之间在通过梯度信号相互通信，只要让它们的输入沿着梯度方向变化，无论它们自己的输出值在何种程度上升或降低，都是为了让整个网络的输出值更高。
比如引例中 x,yx,yx,y 梯度都是 −4-4−4，所以让 x,yx,yx,y 减小后，qqq 的值虽然也会减小，但最终的输出值 fff 会增大（当然损失函数要的是最小）。
3) 加法门、乘法门和max门
引例中用到了两种门单元：加法和乘法。
加法求偏导： f(x,y)=x+y→∂f∂x=1∂f∂y=1f(x,y) = x + y \rightarrow \frac{\partial f}{\partial x} = 1 \frac{\partial f}{\partial y} = 1f(x,y)=x+y→∂x∂f=1∂y∂f=1乘法求偏导： f(x,y)=xy→∂f∂x=y∂f∂y=xf(x,y) = x y \rightarrow \frac{\partial f}{\partial x} = y \frac{\partial f}{\partial y} = xf(x,y)=xy→∂x∂f=y∂y∂f=x
除此之外，常用的操作还包括取最大值：
f(x,y)=max(x,y)→∂f∂x=1(x≥y)∂f∂y1(y≥x)\begin{aligned} f(x,y) &= \max(x, y) \\ \rightarrow \frac{\partial f}{\partial x} &= \mathbb{1}(x \ge y)\\ \frac{\partial f}{\partial y} &\mathbb{1}(y \ge x) \end{aligned} f(x,y)→∂x∂f∂y∂f=max(x,y)=1(x≥y)1(y≥x)
上式含义为：若该变量比另一个变量大，那么梯度是 111，反之为 000。
加法门单元是梯度分配器，输入的梯度都等于输出的梯度，这一行为与输入值在前向传播时的值无关；乘法门单元是梯度转换器，输入的梯度等于输出梯度乘以另一个输入的值，或者乘以倍数 aaa（axaxax 的形式乘法门单元）；max 门单元是梯度路由器，输入值大的梯度等于输出梯度，小的为 000。
乘法门单元的局部梯度就是输入值，但是是相互交换之后的，然后根据链式法则乘以输出值的梯度。基于此，如果乘法门单元的其中一个输入非常小，而另一个输入非常大，那么乘法门会把大的梯度分配给小的输入，把小的梯度分配给大的输入。
以我们之前讲到的线性分类器为例，权重和输入进行点积 wTxiw^Tx_iwTxi ，这说明输入数据的大小对于权重梯度的大小有影响。具体的，如在计算过程中对所有输入数据样本 xix_ixi 乘以 100，那么权重的梯度将会增大 100 倍，这样就必须降低学习率来弥补。
也说明了数据预处理有很重要的作用，它即使只是有微小变化，也会产生巨大影响。
对于梯度在计算线路中是如何流动的有一个直观的理解，可以帮助调试神经网络。
4) 复杂示例
我们来看一个复杂一点的例子：
f(w,x)=11+e−(w0x0+w1x1+w2)f(w,x) = \frac{1}{1+e^{-(w_0x_0 + w_1x_1 + w_2)}} f(w,x)=1+e−(w0x0+w1x1+w2)1
这个表达式需要使用新的门单元：
f(x)=1x→dfdx=−1x2fc(x)=c+x→dfdx=1f(x)=ex→dfdx=exfa(x)=ax→dfdx=a\begin{aligned} f(x) &= \frac{1}{x} \\ \rightarrow \frac{df}{dx} &=- \frac{1}{x^2}\ f_c(x) = c + x \\ \rightarrow \frac{df}{dx} &= 1 \ f(x) = e^x \\ \rightarrow \frac{df}{dx} &= e^x \ f_a(x) = ax \\ \rightarrow \frac{df}{dx} &= a \end{aligned} f(x)→dxdf→dxdf→dxdf→dxdf=x1=−x21fc(x)=c+x=1f(x)=ex=exfa(x)=ax=a
计算过程如下：
对于 1/x1/x1/x 门单元，回传梯度是 111，局部梯度是 −1/x2=−1/1.372=−0.53-1/x^2=-1/1.37^2=-0.53−1/x2=−1/1.372=−0.53 ，所以输入梯度为 1×−0.53=−0.531 \times -0.53 = -0.531×−0.53=−0.53；+1+1+1 门单元不改变梯度还是 −0.53-0.53−0.53exp门单元局部梯度是 ex=e−1e^x=e^{-1}ex=e−1 ，然后乘回传梯度 −0.53-0.53−0.53 结果约为 −0.2-0.2−0.2乘 −1-1−1 门单元会将梯度加负号变为 0.20.20.2加法门单元会分配梯度，所以从上到下三个加法分支都是 0.20.20.2最后两个乘法单元会转换梯度，把回传梯度乘另一个输入值作为自己的梯度，得到 −0.2-0.2−0.2、0.40.40.4、−0.4-0.4−0.4、−0.6-0.6−0.6
5) Sigmoid门单元
我们可以将任何可微分的函数视作「门」。可以将多个门组合成一个门，也可以根据需要将一个函数拆成多个门。我们观察可以发现，最右侧四个门单元可以合成一个门单元，σ(x)=11+e−x\sigma(x) = \frac{1}{1+e^{-x}}σ(x)=1+e−x1 ，这个函数称为sigmoid 函数。
sigmoid 函数可以微分：
dσ(x)dx=e−x(1+e−x)2=(1+e−x−11+e−x)(11+e−x)=(1−σ(x))σ(x)\frac{d\sigma(x)}{dx} = \frac{e^{-x}}{(1+e^{-x})^2} = \left( \frac{1 + e^{-x} - 1}{1 + e^{-x}} \right) \left( \frac{1}{1+e^{-x}} \right) = \left( 1 - \sigma(x) \right) \sigma(x) dxdσ(x)=(1+e−x)2e−x=(1+e−x1+e−x−1)(1+e−x1)=(1−σ(x))σ(x)
所以上面的例子中已经计算出 σ(x)=0.73\sigma(x)=0.73σ(x)=0.73 ，可以直接计算出乘 −1-1−1 门单元输入值的梯度为：1∗(1−0.73)∗0.73=0.21 \ast (1-0.73) \ast0.73~=0.21∗(1−0.73)∗0.73=0.2，计算简化很多。
上面这个例子的反向传播的参考 python 实现代码如下：
# 假设一些随机数据和权重w = [2,-3,-3] x = [-1, -2]# 前向传播，计算输出值dot = w[0]*x[0] + w[1]*x[1] + w[2]f = 1.0 / (1 + math.exp(-dot)) # sigmoid函数# 反向传播，计算梯度ddot = (1 - f) * f # 点积变量的梯度, 使用sigmoid函数求导dx = [w[0] * ddot, w[1] * ddot] # 回传到xdw = [x[0] * ddot, x[1] * ddot, 1.0 * ddot] # 回传到w# 最终得到输入的梯度
在实际操作中，有时候我们会把前向传播分成不同的阶段，这样可以让反向传播过程更加简洁。比如创建一个中间变量 dotdotdot，存放 www 和 xxx 的点乘结果。在反向传播时，可以很快计算出装着 www 和 xxx 等的梯度的对应的变量（比如 ddotddotddot，dxdxdx 和 dwdwdw）。
本篇内容列了很多例子，我们希望通过这些例子讲解「前向传播」与「反向传播」过程，哪些函数可以被组合成门，如何简化，这样他们可以“链”在一起，让代码量更少，效率更高。
6) 分段计算示例
f(x,y)=x+σ(y)σ(x)+(x+y)2f(x,y) = \frac{x + \sigma(y)}{\sigma(x) + (x+y)^2} f(x,y)=σ(x)+(x+y)2x+σ(y)
这个表达式只是为了实践反向传播，如果直接对 x,yx,yx,y 求导，运算量将会很大。下面先代码实现前向传播：
x = 3 # 例子数值y = -4# 前向传播sigy = 1.0 / (1 + math.exp(-y)) # 分子中的sigmoid #(1)num = x + sigy # 分子#(2)sigx = 1.0 / (1 + math.exp(-x)) # 分母中的sigmoid #(3)xpy = x + y#(4)xpysqr = xpy**2 #(5)den = sigx + xpysqr # 分母 #(6)invden = 1.0 / den #(7)f = num * invden
代码创建了多个中间变量，每个都是比较简单的表达式，它们计算局部梯度的方法是已知的。可以给我们计算反向传播带来很多便利：
我们对前向传播时产生的每个变量 $ (sigy, num, sigx, xpy, xpysqr, den, invden)$ 进行回传。我们用同样数量的变量（以d开头），存储对应变量的梯度。注意：反向传播的每一小块中都将包含了表达式的局部梯度，然后根据使用链式法则乘以上游梯度。对于每行代码，我们将指明其对应的是前向传播的哪部分，序号对应。
# 回传 f = num * invdendnum = invden # 分子的梯度 #(8)dinvden = num # 分母的梯度 #(8)# 回传 invden = 1.0 / den dden = (-1.0 / (den**2)) * dinvden #(7)# 回传 den = sigx + xpysqrdsigx = (1) * dden #(6)dxpysqr = (1) * dden#(6)# 回传 xpysqr = xpy**2dxpy = (2 * xpy) * dxpysqr#(5)# 回传 xpy = x + ydx = (1) * dxpy #(4)dy = (1) * dxpy #(4)# 回传 sigx = 1.0 / (1 + math.exp(-x))dx += ((1 - sigx) * sigx) * dsigx # 注意这里用的是+=，下面有解释 #(3)# 回传 num = x + sigydx += (1) * dnum#(2)dsigy = (1) * dnum #(2)# 回传 sigy = 1.0 / (1 + math.exp(-y))dy += ((1 - sigy) * sigy) * dsigy
补充解释：
①对前向传播变量进行缓存
在计算反向传播时，前向传播过程中得到的一些中间变量非常有用。实现过程中，在代码里对这些中间变量进行缓存，这样在反向传播的时候也能用上它们。
②在不同分支的梯度要相加
如果变量 x,yx,yx,y 在前向传播的表达式中出现多次，那么进行反向传播的时候就要非常小心，要使用+=+=+= 而不是 === 来累计这些变量的梯度。根据微积分中的多元链式法则，如果变量在线路中走向不同的分支，那么梯度在回传的时候，应该累加 。即：
∂f∂x=∑qi∂f∂qi∂qi∂x\frac{\partial f}{\partial x} =\sum_{q_i}\frac{\partial f}{\partial q_i}\frac{\partial q_i}{\partial x} ∂x∂f=qi∑∂qi∂f∂x∂qi
7) 实际应用
如果有一个计算图，已经拆分成门单元的形式，那么主类代码结构如下：
class ComputationalGraph(object):# ...def forward(self, inputs):# 把inputs传递给输入门单元# 前向传播计算图# 遍历所有从后向前按顺序排列的门单元for gate in self.graph.nodes_topologically_sorted(): gate.forward() # 每个门单元都有一个前向传播函数return loss # 最终输出损失def backward(self):# 反向遍历门单元for gate in reversed(self.graph.nodes_topologically_sorted()): gate.backward() # 反向传播函数应用链式法则return inputs_gradients # 输出梯度return inputs_gradients # 输出梯度
门单元类可以这么定义，比如一个乘法单元：
class MultiplyGate(object):def forward(self, x, y):z = x*yself.x = xself.y = yreturn zdef backward(self, dz):dx = self.y * dzdy = self.x * dzreturn [dx, dy]
1.2 向量形式反向传播
先考虑一个简单的例子，比如：
这个 maxmaxmax 函数对输入向量 xxx 的每个元素都和 000 比较输出最大值，因此输出向量的维度也是 409640964096维。此时的梯度是雅可比矩阵，即输出的每个元素对输入的每个元素求偏导组成的矩阵。
假如输入 xxx 是 nnn 维的向量，输出 yyy 是 mmm 维的向量，则 y1,y2,⋯,ymy_1,y_2, \cdots,y_my1,y2,⋯,ym 都是 (x1−xn)(x_1-x_n)(x1−xn) 的函数，得到的雅克比矩阵如下所示：
[∂y1∂x1⋯∂y1∂xn⋮⋱⋮∂ym∂x1⋯∂ym∂xn]\left[\begin{array}{ccc} \frac{\partial y_{1}}{\partial x_{1}} & \cdots & \frac{\partial y_{1}}{\partial x_{n}} \\ \vdots & \ddots & \vdots \\ \frac{\partial y_{m}}{\partial x_{1}} & \cdots & \frac{\partial y_{m}}{\partial x_{n}} \end{array}\right] ⎣⎡∂x1∂y1⋮∂x1∂ym⋯⋱⋯∂xn∂y1⋮∂xn∂ym⎦⎤
那么这个例子的雅克比矩阵是 [4096×4096][4096 \times 4096][4096×4096] 维的，输出有 409640964096 个元素，每一个都要求 409640964096 次偏导。其实仔细观察发现，这个例子输出的每个元素都只和输入相应位置的元素有关，因此得到的是一个对角矩阵。
实际应用的时候，往往 100 个 xxx 同时输入，此时雅克比矩阵是一个 [409600×409600][409600 \times 409600][409600×409600] 的对角矩阵，当然只是针对这里的 fff 函数。
实际上，完全写出并存储雅可比矩阵不太可能，因为维度极其大。
1) 一个例子
目标公式为： f(x,W)=∣∣W⋅x∣∣2=∑i=1n(W⋅x)i2f(x,W)=\vert \vert W\cdot x \vert \vert ^2=\sum_{i=1}^n (W\cdot x)_{i}^2f(x,W)=∣∣W⋅x∣∣2=∑i=1n(W⋅x)i2
其中 xxx 是 nnn 维的向量，WWW 是 n×nn \times nn×n 的矩阵。
设 q=W⋅xq=W\cdot xq=W⋅x ,于是得到下面的式子：
[∂y1∂x1⋯∂y1∂xn⋮⋱⋮∂ym∂x1⋯∂ym∂xn]\left[\begin{array}{ccc} \frac{\partial y_{1}}{\partial x_{1}} & \cdots & \frac{\partial y_{1}}{\partial x_{n}} \\ \vdots & \ddots & \vdots \\ \frac{\partial y_{m}}{\partial x_{1}} & \cdots & \frac{\partial y_{m}}{\partial x_{n}} \end{array}\right] ⎣⎡∂x1∂y1⋮∂x1∂ym⋯⋱⋯∂xn∂y1⋮∂xn∂ym⎦⎤
q=W⋅x=(W1,1x1+⋯+W1,nxn⋮Wn,1x1+⋯+Wn,nxn)\begin{array}{l} q=W \cdot x=\left(\begin{array}{c} W_{1,1} x_{1}+\cdots+W_{1, n} x_{n} \\ \vdots \\ W_{n, 1} x_{1}+\cdots+W_{n, n} x_{n} \end{array}\right) \\ \end{array} q=W⋅x=⎝⎛W1,1x1+⋯+W1,nxn⋮Wn,1x1+⋯+Wn,nxn⎠⎞
f(q)=∥q∥2=q12+⋯+qn2f(q)=\|q\|^{2}=q_{1}^{2}+\cdots+q_{n}^{2} f(q)=∥q∥2=q12+⋯+qn2
可以看出：
∂f∂qi=2qi\frac{\partial f}{\partial q_i}=2q_i∂qi∂f=2qi 从而得到 fff 对 qqq 的梯度为 2q2q2q ；
∂qk∂Wi,j=1i=kxj\frac{\partial q_k}{\partial W_{i, j}}=1{i=k}x_j∂Wi,j∂qk=1i=kxj，∂f∂Wi,j=∑k=1n∂f∂qk∂qk∂Wi,j=∑k=1n(2qk)1i=kxj=2qixj\frac{\partial f}{\partial W_{i, j}}=\sum_{k=1}^n\frac{\partial f}{\partial q_k}\frac{\partial q_k}{\partial W_{i, j}}=\sum_{k=1}^n(2q_k)1{i=k}x_j=2q_ix_j∂Wi,j∂f=∑k=1n∂qk∂f∂Wi,j∂qk=∑k=1n(2qk)1i=kxj=2qixj，从而得到 fff 对 WWW 的梯度为 2q⋅xT2q\cdot x^T2q⋅xT ；
∂qk∂xi=Wk,i\frac{\partial q_k}{\partial x_i}=W_{k,i}∂xi∂qk=Wk,i ， ∂f∂xi=∑k=1n∂f∂qk∂qk∂xi=∑k=1n(2qk)Wk,i\frac{\partial f}{\partial x_i}=\sum_{k=1}^n\frac{\partial f}{\partial q_k}\frac{\partial q_k}{\partial x_i}=\sum_{k=1}^n(2q_k)W_{k,i}∂xi∂f=∑k=1n∂qk∂f∂xi∂qk=∑k=1n(2qk)Wk,i ，从而得到 fff 对 xxx 的梯度为 2WT⋅q2W^T\cdot q2WT⋅q
下面为计算图：
2) 代码实现
import numpy as np# 初值W = np.array([[0.1, 0.5], [-0.3, 0.8]])x = np.array([0.2, 0.4]).reshape((2, 1)) # 为了保证dq.dot(x.T)是一个矩阵而不是实数# 前向传播q = W.dot(x)f = np.sum(np.square(q), axis=0)# 反向传播# 回传 f = np.sum(np.square(q), axis=0)dq = 2*q# 回传 q = W.dot(x)dW = dq.dot(x.T) # x.T就是对矩阵x进行转置dx = W.T.dot(dq)
注意：要分析维度！不要去记忆 dWdWdW 和 dxdxdx 的表达式，因为它们很容易通过维度推导出来。
权重的梯度 dWdWdW 的尺寸肯定和权重矩阵 WWW 的尺寸是一样的
这里的 fff 输出是一个实数，所以 dWdWdW和 WWW 的形状一致。如果考虑 dq/dWdq/dWdq/dW 的话，如果按照雅克比矩阵的定义，dq/dwdq/dwdq/dw 应该是 2×2×22 \times 2 \times 22×2×2 维，为了减小计算量，就令其等于 xxx。其实完全不用考虑那么复杂，因为最终的损失函数一定是一个实数，所以每个门单元的输入梯度一定和原输入形状相同。关于这点的说明，可以 点击这里，官网进行了详细的推导。而这又是由 xxx 和 dqdqdq 的矩阵乘法决定的，总有一个方式是能够让维度之间能够对的上的。
例如，xxx 的尺寸是 [2×1][2 \times 1][2×1]，dqdqdq 的尺寸是 [2×1][2 \times 1][2×1]，如果你想要 dWdWdW 和 WWW 的尺寸是 [2×2][2 \times 2][2×2]，那就要dq.dot(x.T)，如果是x.T.dot(dq)结果就不对了。（dqdqdq 是回传梯度不能转置！）
2.神经网络简介
2.1 神经网络算法介绍
在不诉诸大脑的类比的情况下，依然是可以对神经网络算法进行介绍的。
在线性分类一节中，在给出图像的情况下，是使用 WxWxWx 来计算不同视觉类别的评分，其中 WWW 是一个矩阵，xxx 是一个输入列向量，它包含了图像的全部像素数据。在使用数据库 CIFAR-10 的案例中，xxx 是一个 [3072×1][3072 \times 1][3072×1] 的列向量，WWW 是一个 [10×3072][10 \times 3072][10×3072] 的矩阵，所以输出的评分是一个包含10个分类评分的向量。
一个两层的神经网络算法则不同，它的计算公式是 s=W2max(0,W1x)s = W_2 \max(0, W_1 x)s=W2max(0,W1x) 。
W1W_1W1 的含义：举例来说，它可以是一个 [100×3072][100 \times 3072][100×3072] 的矩阵，其作用是将图像转化为一个100维的过渡向量，比如马的图片有头朝左和朝右，会分别得到一个分数。
函数 max(0,−)max(0,-)max(0,−) 是非线性的，它会作用到每个元素。这个非线性函数有多种选择，大家在后续激活函数里会再看到。现在看到的这个函数是最常用的ReLU激活函数，它将所有小于 000 的值变成 000。
矩阵 W2W_2W2 的尺寸是 [10×100][10 \times 100][10×100]，会对中间层的得分进行加权求和，因此将得到 10 个数字，这10个数字可以解释为是分类的评分。
注意：非线性函数在计算上是至关重要的，如果略去这一步，那么两个矩阵将会合二为一，对于分类的评分计算将重新变成关于输入的线性函数。这个非线性函数就是改变的关键点。
参数 W1W_1W1 **,$ **W_2$ 将通过随机梯度下降来学习到，他们的梯度在反向传播过程中，通过链式法则来求导计算得出。
一个三层的神经网络可以类比地看做 s=W3max(0,W2max(0,W1x))s = W_3 \max(0, W_2 \max(0, W_1 x))s=W3max(0,W2max(0,W1x)) ，其中W1W_1W1, W2W_2W2 ,W3W_3W3 是需要进行学习的参数。中间隐层的尺寸是网络的超参数，后续将学习如何设置它们。现在让我们先从神经元或者网络的角度理解上述计算。
两层神经网络参考代码实现如下，中间层使用 sigmoid 函数：
import numpy as npfrom numpy.random import randnN, D_in, H, D_out = 64, 1000, 100, 10# x 是64x1000的矩阵，y是64x10的矩阵x, y = randn(N, D_in), randn(N, D_out)# w1是1000x100的矩阵，w2是100x10的矩阵w1, w2 = randn(D_in, H), randn(H, D_out)# 迭代10000次，损失达到0.0001级for t in range(10000):h = 1 / (1 + np.exp(-x.dot(w1))) # 激活函数使用sigmoid函数，中间层y_pred = h.dot(w2)loss = np.square(y_pred - y).sum() # 损失使用 L2 范数print(str(t)+': '+str(loss))# 反向传播grad_y_pred = 2.0 * (y_pred - y)grad_w2 = h.T.dot(grad_y_pred)grad_h = grad_y_pred.dot(w2.T)# grad_xw1 = grad_h*h*(1-h)grad_w1 = x.T.dot(grad_h*h*(1-h))# 学习率是0.0001w1 -= 1e-4 * grad_w1w2 -= 1e-4 * grad_w2
2.2 神经网络与真实的神经对比
神经网络算法很多时候是受生物神经系统启发而简化模拟得到的。
大脑的基本计算单位是神经元（neuron）。人类的神经系统中大约有 860 亿个神经元，它们被大约 1014 - 1015 个突触（synapses）连接起来。下图的上方是一个生物学的神经元，下方是一个简化的常用数学模型。每个神经元都从它的树突（dendrites）获得输入信号，然后沿着它唯一的轴突（axon）产生输出信号。轴突在末端会逐渐分枝，通过突触和其他神经元的树突相连。
在神经元的计算模型中，沿着轴突传播的信号（比如 x0x_0x0 ）将基于突触的突触强度（比如 w0w_0w0 ），与其他神经元的树突进行乘法交互（比如 w0x0w_0 x_0w0x0 ）。
对应的想法是，突触的强度（也就是权重 www ），是可学习的且可以控制一个神经元对于另一个神经元的影响强度（还可以控制影响方向：使其兴奋（正权重）或使其抑制（负权重））。
树突将信号传递到细胞体，信号在细胞体中相加。如果最终之和高于某个阈值，那么神经元将会「激活」，向其轴突输出一个峰值信号。
在计算模型中，我们假设峰值信号的准确时间点不重要，是激活信号的频率在交流信息。基于这个速率编码的观点，将神经元的激活率建模为激活函数（activation function）fff ，它表达了轴突上激活信号的频率。
由于历史原因，激活函数常常选择使用sigmoid函数σ\sigmaσ ，该函数输入实数值（求和后的信号强度），然后将输入值压缩到 0∼10\sim 10∼1 之间。在本节后面部分会看到这些激活函数的各种细节。
这里的激活函数 fff 采用的是 sigmoid 函数，代码如下：
class Neuron:# ...def neuron_tick(self, inputs):# 假设输入和权重都是1xD的向量，偏差是一个数字cell_body_sum = np.sum(inputs*self.weights) + self.bias# 当和远大于0时，输出为1，被激活firing_rate = 1.0 / (1.0 + np.exp(-cell_body_sum))return firing_rate
2.3 常用的激活函数
3.神经网络结构
关于神经网络结构的知识也可以参考ShowMeAI的深度学习教程 | 吴恩达专项课程 · 全套笔记解读中的文章神经网络基础、浅层神经网络、深层神经网络里对于不同深度的网络结构的讲解
对于普通神经网络，最普通的层级结构是全连接层（fully-connected layer） 。全连接层中的神经元与其前后两层的神经元是完全成对连接的，但是在同层内部的神经元之间没有连接。网络结构中没有循环（因为这样会导致前向传播的无限循环）。
下面是两个神经网络的图例，都使用的全连接层：
左边：一个2层神经网络，隐层由4个神经元（也可称为单元（unit））组成，输出层由2个神经元组成，输入层是3个神经元（指的是输入图片的维度而不是图片的数量）。右边：一个3层神经网络，两个含4个神经元的隐层。
注意：当我们说 NNN 层神经网络的时候，我们并不计入输入层。单层的神经网络就是没有隐层的（输入直接映射到输出）。也会使用人工神经网络（Artificial Neural Networks 缩写ANN）或者多层感知器（Multi-Layer Perceptrons 缩写MLP）来指代全连接层构建的这种神经网络。此外，输出层的神经元一般不含激活函数。
用来度量神经网络的尺寸的标准主要有两个：一个是神经元的个数，另一个是参数的个数。用上面图示的两个网络举例：
第一个网络有 4+2=64+2=64+2=6 个神经元（输入层不算），[3×4]+[4×2]=20[3 \times 4]+[4 \times 2]=20[3×4]+[4×2]=20 个权重，还有4+2=64+2=64+2=6 个偏置，共 262626 个可学习的参数。第二个网络有 4+4+1=94+4+1=94+4+1=9 个神经元，[3×4]+[4×4]+[4×1]=32[3 \times 4]+[4 \times 4]+[4 \times 1]=32[3×4]+[4×4]+[4×1]=32 个权重，4+4+1=94+4+1=94+4+1=9 个偏置，共 414141 个可学习的参数。
现代卷积神经网络能包含上亿个参数，可由几十上百层构成（这就是深度学习）。
3.1 三层神经网络代码示例
不断用相似的结构堆叠形成网络，这让神经网络算法使用矩阵向量操作变得简单和高效。我们回到上面那个3层神经网络，输入是 [3×1][3 \times 1][3×1] 的向量。一个层所有连接的权重可以存在一个单独的矩阵中。
比如第一个隐层的权重 W1W_1W1 是 [4×3][4 \times 3][4×3]，所有单元的偏置储存在 b1b_1b1 中，尺寸 [4×1][4 \times 1][4×1]。这样，每个神经元的权重都在 W1W_1W1 的一个行中，于是矩阵乘法np.dot(W1, x)+b1就能作为该层中所有神经元激活函数的输入数据。类似的，W2W_2W2 将会是 [4×4][4 \times 4][4×4] 矩阵，存储着第二个隐层的连接，W3W_3W3 是 [1×4][1 \times 4][1×4] 的矩阵，用于输出层。
完整的3层神经网络的前向传播就是简单的3次矩阵乘法，其中交织着激活函数的应用。
import numpy as np# 三层神经网络的前向传播# 激活函数f = lambda x: 1.0/(1.0 + np.exp(-x))# 随机输入向量3x1x = np.random.randn(3, 1)# 设置权重和偏差W1, W2, W3 = np.random.randn(4, 3), np.random.randn(4, 4), np.random.randn(1, 4),b1, b2= np.random.randn(4, 1), np.random.randn(4, 1)b3 = 1# 计算第一个隐藏层激活 4x1h1 = f(np.dot(W1, x) + b1)# 计算第二个隐藏层激活 4x1h2 = f(np.dot(W2, h1) + b2)# 输出是一个数out = np.dot(W3, h2) + b3
在上面的代码中，W1W_1W1，W2W_2W2，W3W_3W3，b1b_1b1，b2b_2b2，b3b_3b3 都是网络中可以学习的参数。注意 xxx 并不是一个单独的列向量，而可以是一个批量的训练数据（其中每个输入样本将会是 xxx 中的一列），所有的样本将会被并行化的高效计算出来。
注意神经网络最后一层通常是没有激活函数的（例如，在分类任务中它给出一个实数值的分类评分）。
全连接层的前向传播一般就是先进行一个矩阵乘法，然后加上偏置并运用激活函数。
3.2 理解神经网络
关于深度神经网络的解释也可以参考ShowMeAI的深度学习教程 | 吴恩达专项课程 · 全套笔记解读中的文章深层神经网络里「深度网络其他优势」部分的讲解
全连接层的神经网络的一种理解是：
它们定义了一个由一系列函数组成的函数族，网络的权重就是每个函数的参数。
拥有至少一个隐层的神经网络是一个通用的近似器，神经网络可以近似任何连续函数。
虽然一个2层网络在数学理论上能完美地近似所有连续函数，但在实际操作中效果相对较差。虽然在理论上深层网络（使用了多个隐层）和单层网络的表达能力是一样的，但是就实践经验而言，深度网络效果比单层网络好。
对于全连接神经网络而言，在实践中3层的神经网络会比2层的表现好，然而继续加深（做到4，5，6层）很少有太大帮助。卷积神经网络的情况却不同，在卷积神经网络中，对于一个良好的识别系统来说，深度是一个非常重要的因素（比如当今效果好的CNN都有几十上百层）。对于该现象的一种解释观点是：因为图像拥有层次化结构（比如脸是由眼睛等组成，眼睛又是由边缘组成），所以多层处理对于这种数据就有直观意义。
4.拓展学习
可以点击B站查看视频的【双语字幕】版本
【字幕+资料下载】斯坦福CS231n | 面向视觉识别的卷积神经网络 (·全16讲)
【课程学习指南】斯坦福CS231n | 深度学习与计算机视觉【字幕+资料下载】斯坦福CS231n | 深度学习与计算机视觉 (·全16讲)【CS231n进阶课】密歇根EECS498 | 深度学习与计算机视觉【深度学习教程】吴恩达专项课程 · 全套笔记解读【Stanford官网】CS231n: Deep Learning for Computer Vision
