弹性反向传播神经网络 - 有关梯度的问题
-
30-09-2019 - |
题
首先,我想说我真的是神经网络的新手,我不太了解它;)
我已经做出了第一个C#对反向传播神经网络的实现。我已经使用XOR对其进行了测试,看起来它起作用了。
现在,我希望更改实施方式以使用弹性反向传播(RPROP- http://en.wikipedia.org/wiki/rprop).
该定义说:“ Rprop仅考虑到所有模式(不是大小)的部分导数的迹象,并独立于每个“重量”。
有人可以告诉我所有模式上的部分导数是什么?以及我应该如何计算隐藏层中神经元的部分衍生物。
非常感谢
更新:
我在此Java代码上的实施基础:www_.dia.fi.upm.es/~jamartin/downloads/bpnn.java
我的反向流向方法看起来像这样:
public double backPropagate(double[] targets)
{
double error, change;
// calculate error terms for output
double[] output_deltas = new double[outputsNumber];
for (int k = 0; k < outputsNumber; k++)
{
error = targets[k] - activationsOutputs[k];
output_deltas[k] = Dsigmoid(activationsOutputs[k]) * error;
}
// calculate error terms for hidden
double[] hidden_deltas = new double[hiddenNumber];
for (int j = 0; j < hiddenNumber; j++)
{
error = 0.0;
for (int k = 0; k < outputsNumber; k++)
{
error = error + output_deltas[k] * weightsOutputs[j, k];
}
hidden_deltas[j] = Dsigmoid(activationsHidden[j]) * error;
}
//update output weights
for (int j = 0; j < hiddenNumber; j++)
{
for (int k = 0; k < outputsNumber; k++)
{
change = output_deltas[k] * activationsHidden[j];
weightsOutputs[j, k] = weightsOutputs[j, k] + learningRate * change + momentumFactor * lastChangeWeightsForMomentumOutpus[j, k];
lastChangeWeightsForMomentumOutpus[j, k] = change;
}
}
// update input weights
for (int i = 0; i < inputsNumber; i++)
{
for (int j = 0; j < hiddenNumber; j++)
{
change = hidden_deltas[j] * activationsInputs[i];
weightsInputs[i, j] = weightsInputs[i, j] + learningRate * change + momentumFactor * lastChangeWeightsForMomentumInputs[i, j];
lastChangeWeightsForMomentumInputs[i, j] = change;
}
}
// calculate error
error = 0.0;
for (int k = 0; k < outputsNumber; k++)
{
error = error + 0.5 * (targets[k] - activationsOutputs[k]) * (targets[k] - activationsOutputs[k]);
}
return error;
}
所以我可以使用 change = hidden_deltas[j] * activationsInputs[i]
可变为检查唱片的梯度(部分导数)?
解决方案
我认为“所有模式”仅表示“在每次迭代中” ...看看 Rprop纸
对于Paritial derivative:您已经实现了正常的背传算法。这是一种有效计算梯度的方法...您在那里计算单个神经元的δ值,实际上,这实际上是负∂E/∂W值,即全局误差作为权重的函数的独立衍生物。
因此,取决于符号是否已更改
其他提示
以下是包含人工智能库中RPROP培训技术实施的一部分的示例。它应该让您了解如何进行。我建议下载整个库,因为在IDE中而不是通过在线SVN界面中浏览源代码会更容易。
http://code.google.com/p/encog-cs/source/browse/#svn/trunk
注意代码在C#中,但不难转换为另一种语言。
不隶属于 StackOverflow