Estou tendo alguma dificuldade em derivar a propagação com a ReLU e fiz algum trabalho, mas não tenho certeza se estou no caminho certo.
Função de custo: em queé o valor real, e y é um valor previsto. Suponha também quex> 0 sempre.
ReLU de 1 camada, em que o peso na 1ª camada é
ReLU de 2 camadas, onde os pesos na 1ª camada são e a 2ª camada é E eu queria atualizar a 1ª camada
Como
ReLU de 3 camadas, em que os pesos na 1ª camada são , 2ª camada w 2 e 3ª camada w 1
Como
Como a regra da cadeia dura apenas 2 derivados, em comparação com um sigmóide, que pode ter o número de camadas.
Digamos que eu queira atualizar todos os pesos de 3 camadas, em que é a terceira camada, w 2 é a segunda camada, w 1 é a terceira camada
Se essa derivação estiver correta, como isso evita o desaparecimento? Em comparação com o sigmóide, onde temos muita multiplicação por 0,25 na equação, enquanto ReLU não tem nenhuma multiplicação de valor constante. Se houver milhares de camadas, haveria muita multiplicação devido a pesos, isso não causaria desaparecimento ou explosão de gradiente?
fonte
Respostas:
Definições de trabalho da função ReLU e seus derivados:
A derivada é a função de etapa unitária . Isso ignora um problema emx=0 , onde o gradiente não é estritamente definido, mas isso não é uma preocupação prática para redes neurais. Com a fórmula acima, a derivada em 0 é 1, mas você pode igualmente tratá-la como 0 ou 0,5, sem impacto real no desempenho da rede neural.
Rede simplificada
Com essas definições, vamos dar uma olhada em suas redes de exemplo.
Você está executando a regressão com a função de custoC=12(y−y^)2 . Você definiuR como a saída do neurônio artificial, mas não definiu um valor de entrada. Acrescentarei isso para completar - chame dez , adicione alguma indexação por camada e prefiro letras minúsculas para os vetores e letras maiúsculas para matrizes, portanto,r(1) saída da primeira camada,z(1) para sua entrada eW(0) para o peso que conecta o neurônio à sua entradax (em uma rede maior, que pode se conectar a umrmais profundor value instead). I have also adjusted the index number for the weight matrix - why that is will become clearer for the larger network. NB I am ignoring having more than neuron in each layer for now.
Looking at your simple 1 layer, 1 neuron network, the feed-forward equations are:
The derivative of the cost function w.r.t. an example estimate is:
Using the chain rule for back propagation to the pre-transform (z ) value:
This∂C∂z(1) is an interim stage and critical part of backprop linking steps together. Derivations often skip this part because clever combinations of cost function and output layer mean that it is simplified. Here it is not.
To get the gradient with respect to the weightW(0) , then it is another iteration of the chain rule:
. . . becausez(1)=W(0)x therefore ∂z(1)∂W(0)=x
That is the full solution for your simplest network.
However, in a layered network, you also need to carry the same logic down to the next layer. Also, you typically have more than one neuron in a layer.
More general ReLU network
If we add in more generic terms, then we can work with two arbitrary layers. Call them Layer(k) indexed by i , and Layer (k+1) indexed by j . The weights are now a matrix. So our feed-forward equations look like this:
In the output layer, then the initial gradient w.r.t.routputj is still routputj−yj . However, ignore that for now, and look at the generic way to back propagate, assuming we have already found ∂C∂r(k+1)j - just note that this is ultimately where we get the output cost function gradients from. Then there are 3 equations we can write out following the chain rule:
First we need to get to the neuron input before applying ReLU:
We also need to propagate the gradient to previous layers, which involves summing up all connected influences to each neuron:
And we need to connect this to the weights matrix in order to make adjustments later:
You can resolve these further (by substituting in previous values), or combine them (often steps 1 and 2 are combined to relate pre-transform gradients layer by layer). However the above is the most general form. You can also substitute theStep(z(k+1)j) in equation 1 for whatever the derivative function is of your current activation function - this is the only place where it affects the calculations.
Back to your questions:
Your derivation was not correct. However, that does not completely address your concerns.
The difference between using sigmoid versus ReLU is just in the step function compared to e.g. sigmoid'sy(1−y) , applied once per layer. As you can see from the generic layer-by-layer equations above, the gradient of the transfer function appears in one place only. The sigmoid's best case derivative adds a factor of 0.25 (when x=0,y=0.5 ), and it gets worse than that and saturates quickly to near zero derivative away from x=0 . The ReLU's gradient is either 0 or 1, and in a healthy network will be 1 often enough to have less gradient loss during backpropagation. This is not guaranteed, but experiments show that ReLU has good performance in deep networks.
Yes this can have an impact too. This can be a problem regardless of transfer function choice. In some combinations, ReLU may help keep exploding gradients under control too, because it does not saturate (so large weight norms will tend to be poor direct solutions and an optimiser is unlikely to move towards them). However, this is not guaranteed.
fonte