深度学习Matlab工具箱代码注释之cnnbp.m

 

  • 函数名称:cnnbp()

  • 输入参数:net,呆训练的神经网络;y,训练样本的标签,即期望输出

  • 输出参数:net,经过BP算法训练得到的神经网络

  • 主要功能:通过BP算法训练神经网络参数

  • 实现步骤:1)将输出的残差扩展成与最后一层的特征map相同的尺寸形式

  •  2)如果是卷积层,则进行上采样

  •  3)如果是下采样层,则进行下采样

  •  4)采用误差传递公式对灵敏度进行反向传递

  • 注意事项:

  • 1)从最后一层的error倒推回来deltas,和神经网络的BP十分相似,可以参考“UFLDL的反向传导算法”的说明

  •  2)在fvd里面保存的是所有样本的特征向量(在cnnff.m函数中用特征map拉成的),所以这里需要重新换回来特征map的形式,

  • d保存的是delta,也就是灵敏度或者残差

  •  3)net.o .* (1 - net.o))代表输出层附加的非线性函数的导数,即sigm函数的导数

  •  

  • function net = cnnbp(net, y)

  • n = numel(net.layers); %网络层数

  • net.e = net.o - y; %实际输出与期望输出之间的误差

  • net.L = 1/2* sum(net.e(:) .^ 2) / size(net.e, 2); %代价函数,采用均方误差函数作为代价函数

  • net.od = net.e .* (net.o .* (1 - net.o)); %输出层的灵敏度或者残差,(net.o .* (1 - net.o))代表输出层的激活函数的导数

  • net.fvd = (net.ffW' * net.od); %残差反向传播回前一层,net.fvd保存的是残差

  • if strcmp(net.layers{n}.type, 'c') %只有卷积层采用sigm函数

  • net.fvd = net.fvd .* (net.fv .* (1 - net.fv)); %net.fv是前一层的输出(未经过simg函数),作为输出层的输入

  • end

  •  

  • %%将输出的残差扩展成与最后一层的特征map相同的尺寸形式%%

  • sa = size(net.layers{n}.a{1}); %最后一层特征map的大小。这里的最后一层都是指输出层的前一层

  • fvnum = sa(1) * sa(2); %因为是将最后一层特征map拉成一条向量,所以对于一个样本来说,特征维数是这样

  • for j = 1 : numel(net.layers{n}.a) %最后一层的特征map的个数

  • net.layers{n}.d{j} = reshape(net.fvd(((j - 1) * fvnum + 1) : j * fvnum, :), sa(1), sa(2), sa(3));

  • end

  •  

  • for l = (n - 1) : -1 : 1 %对于输出层前面的层(与输出层计算残差的方式不同)

  • if strcmp(net.layers{l}.type, 'c') %如果是卷积层,则进行上采样

  • for j = 1 : numel(net.layers{l}.a) %该层特征map的个数

  •  

  • 主要功能:卷积层的灵敏度误差传递

  • 注意事项:1)net.layers{l}.d{j} 保存的是 第l层 的 第j个 map 的 灵敏度map。 也就是每个神经元节点的delta的值

  • expand的操作相当于对l+1层的灵敏度map进行上采样。然后前面的操作相当于对该层的输入a进行sigmoid求导

  •  这条公式请参考 Notes on Convolutional Neural Networks

  •  

  • net.layers{l}.d{j} = net.layers{l}.a{j} .* (1 - net.layers{l}.a{j}) .* (expand(net.layers{l + 1}.d{j}, [net.layers{l + 1}.scale net.layers{l + 1}.scale 1]) / net.layers{l + 1}.scale ^ 2);

  • end

  •  

  • elseif strcmp(net.layers{l}.type, 's') %如果是下采样层,则进行下采样

  •  

  • 主要功能:下采样层的灵敏度误差传递

  • 注意事项:

  • 1)这条公式请参考 Notes on Convolutional Neural Networks

  •  

  • for i = 1 : numel(net.layers{l}.a) %第i层特征map的个数

  • z = zeros(size(net.layers{l}.a{1}));

  • for j = 1 : numel(net.layers{l + 1}.a) %第l+1层特征map的个数

  • z = z + convn(net.layers{l + 1}.d{j}, rot180(net.layers{l + 1}.k{i}{j}), 'full');

  • end

  • net.layers{l}.d{i} = z;

  • end

  • end

  • end

  •  

  • 主要功能:计算梯度

  • 实现步骤:

  • 注意事项:1)这里与Notes on Convolutional Neural Networks中不同,这里的子采样层没有参数,也没有

  •  激活函数,所以在子采样层是没有需要求解的参数的

  •  

  • for l = 2 : n

  • if strcmp(net.layers{l}.type, 'c')

  • for j = 1 : numel(net.layers{l}.a)

  • for i = 1 : numel(net.layers{l - 1}.a)

  •  

  • %%%%%%%dk保存的是误差对卷积核的导数%%%%%

  • net.layers{l}.dk{i}{j} = convn(flipall(net.layers{l - 1}.a{i}), net.layers{l}.d{j}, 'valid') / size(net.layers{l}.d{j}, 3);

  • end

  •  

  • %%db保存的是误差对于bias基的导数%%

  • net.layers{l}.db{j} = sum(net.layers{l}.d{j}(:)) / size(net.layers{l}.d{j}, 3);

  • end

  • end

  • end

  •  

  • %%%%%最后一层perceptron的gradient的计算%%%

  • net.dffW = net.od * (net.fv)' / size(net.od, 2);

  • net.dffb = mean(net.od, 2);

  •  

  • function X = rot180(X)

  • X = flipdim(flipdim(X, 1), 2);

  • end

  • end

免责声明:信息仅供参考,不构成投资及交易建议。投资者据此操作,风险自担。
如果觉得文章对你有用,请随意赞赏收藏
相关推荐
相关下载
登录后评论
Copyright © 2019 宽客在线