Question

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，并且对每个”权重“独立行动。

有人可以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：

我的实现基于以下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？

Answer 1

我认为“覆盖所有模式”仅仅意味着“在每次迭代中”......看看RPROP paper

对于paritial导数：你已经实现了正常的反向传播算法。这是一种有效计算梯度的方法......在这里计算单个神经元的δ值，实际上是负的∂E/∂w值，即全局误差的全局导数作为权重的函数。

因此，不是将权重乘以这些值，而是取两个常数（η+或η-）之一，具体取决于符号是否已更改

Answer 2

以下是Encog人工智能库中RPROP训练技术的一部分实现示例。它应该让你知道如何继续。我建议下载整个库，因为在IDE中而不是通过在线svn界面更容易浏览源代码。

http://code.google.com/p/encog-cs/source/browse/#svn/trunk/encog-core/encog-core-cs/Neural/Networks/Training/Propagation/Resilient

http://code.google.com/p/encog-cs/source/browse/#svn/trunk

请注意，代码位于C＃中，但不难将其翻译成其他语言。

弹性反向传播神经网络 - 关于梯度的问题

2 个答案: