首页 文章

弹性反向传播神经网络 - 关于梯度的问题

提问于
浏览 次
4

首先，我想说我是神经网络的新手，我不太了解它;）

我已经完成了第一个反向传播神经网络的C＃实现 . 我已经使用XOR对它进行了测试，它看起来很有效 .

现在我想改变我的实现以使用弹性反向传播（Rprop - http://en.wikipedia.org/wiki/Rprop） .

定义说：“Rprop仅考虑所有模式（不是幅度）的偏导数的符号，并且独立地对每个”权重“起作用 .

有人能告诉我所有模式的偏导数是什么？我应该如何为隐藏层中的神经元计算这个偏导数 .

非常感谢

更新：

我的实现基于这个Java代码：www_.dia.fi.upm.es/~jamartin/downloads/bpnn.java

我的backPropagate方法如下所示：

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;
    }

那么我可以使用 change = hidden_deltas[j] * activationsInputs[i] 变量作为渐变（偏导数）来检查唱歌吗？

neural-network backpropagation

2 回答

相关问题