Propagacja Wsteczna: Jak Sieć Neuronowa Naprawdę Uczy Się

Sieć to funkcja, którą można różniczkować

Pozbaczmy metafory biologicznej i sieć neuronowa typu feed-forward to długa łańcuch reakcji: transformacja afiniczna (mnożenie przez macierz współczynników, dodawanie błędu) i nieliniowość zastosowana element po elemencie. Sieć z dwoma ukrytymi warstwami jest niczym

a⁰ = x // wejście z¹ = W¹ a⁰ + b¹ a¹ = φ(z¹) // warstwa ukryta 1 z² = W² a¹ + b² a² = φ(z²) // warstwa ukryta 2 z³ = W³ a² + b³ ŷ = σ(z³) // wyjście L = strata(ŷ, y) // pojedyncza wartość Nieliniowość nie jest ozdobą. Usuń ją i cała konstrukcja zawali się: suma transformacji afinicznych to jedna transformacja afiniczna, a setna warstwa ma dokładnie tę samą ekspresyjną moc co jedna. To φ daje ci wszystko.

Trenowanie polega na znalezieniu wag, które minimalizują L. L jest funkcją skalarnej o kilku tysiącach lub miliardach parametrów, więc naturalnym narzędziem jest metoda gradientu – delikatnie przesuwaj każdy parametr w kierunku jego pochodnej cząstkowej względem L. Jedynym pytaniem jest jak uzyskać miliony tych pochodnych cząstkowych bez wykonywania milionów oddzielnych obliczeń. To właśnie wsteczna propagacja odpowiada na to pytanie.

a⁰ = x                                  // the input
z¹ = W¹ a⁰ + b¹      a¹ = φ(z¹)          // hidden layer 1
z² = W² a¹ + b²      a² = φ(z²)          // hidden layer 2
z³ = W³ a² + b³      ŷ  = σ(z³)          // output
L  = loss(ŷ, y)                          // a single number

Zasada łańcuchowa, zastosowana w sposób ekonomiczny

Można obliczyć ∂L/∂w za pomocą różnic skończonych: zmodyfikuj w, uruchom sieć ponownie i obserwuj zmianę L. Kosztuje to jeden pełny przebieg do przodu dla każdego parametru – niewyjałowicie droga i zawodne obliczeniowo. Zamiast tego, backpropagation stosuje zasadę łańcuchową od tyłu z funkcji strat i oblicza każdy gradient w sieci w jednym przebiegu wstecznym, którego koszt jest zbliżony do kosztu jednego przebiegu do przodu.

Kluczem jest propagowanie jednej wartości pośredniej, konwencjonalnie zapisywanej jako δ – wrażliwości straty na preaktywację z:

δᴸ = ∂L/∂zᴸ = ∇_ŷ L ⊙ σ'(zᴸ) // warstwa wyjściowa δˡ = (Wˡ⁺¹ᵀ δˡ⁺¹) ⊙ φ'(zˡ) // każda wcześniejsza warstwa ∂L/∂Wˡ = δˡ (aˡ⁻¹)ᵀ // gradient wag ∂L/∂bˡ = δˡ // gradient biasów Przeczytaj uważnie środkową linię, ponieważ to jest cały algorytm: aby uzyskać sygnał błędu na warstwie, weź sygnał błędu z warstwy powyżej, przesła go wstecz przez transpozycję macierzy wag tej warstwy i zmodyfikuj go przez pochodną aktywacji tej warstwy. Przebieg do przodu wysyła aktywacje w górę przez W; przebieg wsteczny wysyła błędy w dół przez Wᵀ. Gradient dla każdego ciężaru jest wtedy po prostu iloczynem zewnętrznym przychodzącego sygnału błędu na jego wyjściu i aktywacji, która weszła do jego wejścia.

Wnioski są następujące. Po pierwsze, musisz buforować aktywacje z przebiegu do przodu – przebieg wsteczny potrzebuje każdego aˡ⁻¹ i każdej zˡ. Dlatego też szkolenie głębokiej sieci kosztuje znacznie więcej pamięci niż jej uruchomienie. Drugi, backpropagation nie jest algorytmem uczenia się; to obliczenie gradientu. Uczenie się odbywa się przez optymalizator, który konsumuje te gradienty.

δᴸ = ∂L/∂zᴸ = ∇_ŷ L ⊙ σ'(zᴸ)              // output layer

δˡ = (Wˡ⁺¹ᵀ δˡ⁺¹) ⊙ φ'(zˡ)                 // every earlier layer

∂L/∂Wˡ = δˡ (aˡ⁻¹)ᵀ                        // gradient of the weights
∂L/∂bˡ = δˡ                                // gradient of the biases

Aktywacje i zanikający gradient

Sigmoid, φ(z) = 1/(1 + e^(-z)), był klasycznym wyborem, a jego pochodna jest przyczyną, dla której głębokie sieci przez lata uważano za nieuczalne. Ta pochodna to φ(z)(1 − φ(z)), która ma maksymalną wartość 0,25 przy z = 0 i spada do prawie zera, gdy neuron się saturuje. Każdy warstwa backpropagation mnoży sygnał błędu przez jeden z tych czynników — więc przez dziesięć warstw sigmoid gradient jest przeskalowany najwyżej o 0,25¹⁰ ≈ 10⁻⁶ nawet w najlepszym przypadku. Jest to problem zanikającego gradientu: wczesne warstwy otrzymują zasadniczo bez sygnału i nigdy nie uczą się.

φ(z) = 1/(1+e^(-z)) φ'(z) = φ(1−φ) ∈ (0, 0.25] saturuje φ(z) = tanh(z) φ'(z) = 1 − tanh²z ∈ (0, 1] zero-centered φ(z) = max(0, z) φ'(z) = 1 if z > 0 ∈ {0, 1} ReLU else 0 może umrzeć φ(z) = max(αz, z) φ'(z) = 1 or α lekkie ReLU, α ≈ 0.01 ReLU rozwiązuje to brutalną siłą: dla jakiegokolwiek dodatniego wejścia jego pochodna jest dokładnie 1, więc sygnał błędu przechodzi niezmieniony bez względu na to, ile warstw go przecina. Jego własna patologia to umierający ReLU — jednostka pchnięta trwale ujemnie ma zerowy gradient na zawsze i nigdy nie może się z niego wyleczyć — które lekkie ReLU i jego krewni łagodzią, dając negatywnej stronie mały nachylenie.

φ(z) = 1/(1+e^-z)     φ'(z) = φ(1−φ)      ∈ (0, 0.25]   saturates
φ(z) = tanh(z)        φ'(z) = 1 − tanh²z   ∈ (0, 1]      zero-centred
φ(z) = max(0, z)      φ'(z) = 1 if z > 0   ∈ {0, 1}      ReLU
                                 else 0                  can die
φ(z) = max(αz, z)     φ'(z) = 1 or α       leaky ReLU, α ≈ 0.01

Inicjalizacja nie jest szczegółem

Zainicjuj wszystkie wagi zerami, a każda neuronka w warstwie oblicza to samo, otrzymuje ten sam gradient i pozostaje identyczna na zawsze: sieć nigdy nie łamie symetrii i zachowuje się jak pojedyncza jednostka na warstwę. Dlatego wagi muszą być losowe. Ale ich skala ma tak samo duże znaczenie, ponieważ wariancja sygnału jest mnożona warstwa po warstwie – zbyt duża powoduje wybuchające aktywacje, a zbyt mała sprawia, że upadają do zera. Dwa standardowe schematy utrzymują tę wariancję na poziomie 1:

Xavier / Glorot   Var(W) = 2 / (fan_in + fan_out)   for tanh, sigmoid
He / Kaiming      Var(W) = 2 / fan_in                for ReLU
                  (the factor 2 compensates for ReLU zeroing half
                   the activations, which halves the variance)

Od gradientów do uczenia się

Z gradientami w ręku, zasada aktualizacji jest ostatnią decyzją. Prosta stochastyczna regresja gradientu (SGD) wykonuje krok w kierunku przeciwnym do gradientu mini-partii. Momentum akumuluje wykładniczo zanikającą średnią z przeszłych gradientów, co tłumi oscylacje na stromych ścianach doliny i przyspiesza jej dno. Adam utrzymuje bieżące szacunki pierwszej i drugiej chwili gradientu oraz dzieli przez pierwiastek kwadratowy z drugiego – nadaje każdemu parametrowi własną efektywną szybkość uczenia się.

SGD w -= lr * g Momentum v = μ*v + g ; w -= lr * v μ ≈ 0.9 Adam m = β₁*m + (1−β₁)*g β₁ ≈ 0.9 v = β₂*v + (1−β₂)*g² β₂ ≈ 0.999 (koryguje bias m̂, v̂ przez 1−βᵗ) w -= lr * m̂ / (sqrt(v̂) + ε) ε ≈ 1e-8 Szybkość uczenia się pozostaje jedynym najważniejszym hiperparametrem: zbyt duża powoduje rozpad lub oscylacje straty, zbyt mała zatrzymuje trening na płaskim dnie. A gdy sieć w ogóle nie uczy się, pierwszym co należy sprawdzić, to nie architektura, ale same gradienty – porównaj kilka analitycznych gradientów z centralną różnicą skończoną, (L(w+ε) − L(w−ε)) / 2ε, na małej sieci z podwójną precyzją. Implementacja wstecznej propagacji z błędem znaku lub pominiętym transpozycją wygląda identycznie jak źle dostrojona, a tylko sprawdzanie gradientów rozróżnia obie.

SGD          w -= lr * g
Momentum     v = μ*v + g            ;  w -= lr * v          μ ≈ 0.9
Adam         m = β₁*m + (1−β₁)*g                             β₁ ≈ 0.9
             v = β₂*v + (1−β₂)*g²                            β₂ ≈ 0.999
             (bias-correct m̂, v̂ by 1−βᵗ)
             w -= lr * m̂ / (sqrt(v̂) + ε)                     ε ≈ 1e-8

Frequently asked questions

Wypróbuj na żywo

Wszystko powyżej działa bezpośrednio w Twojej przeglądarce — otwórz Neural Network — Backpropagation i zmieniaj parametry podczas działania. Nic nie jest instalowane ani przesyłane na serwer, cały model działa w jednej karcie.