1.视频网站:mooc慕课https://mooc.study.163.com/university/deeplearning_ai#/c
2.详细笔记网站(中文):http://www.ai-start.com/dl2017/
3.github课件+作业+答案:https://github.com/stormstone/deeplearning.ai
1.13 梯度检验 Gradient Checking
梯度检验帮我们节省了很多时间,也可以发现反向传播backprop实施过程中的bug。本节我们看看如何利用它来调试或检验backprop的实施是否正确。
假设你的网络中含有这些参数,W[1]和b[1]…W[L]和b[L]。
为了执行梯度检验,首先要做的就是,把所有参数转换成一个巨大的向量数据,你要做的就是把矩阵W转换成一个向量。
把所有W矩阵转换成向量之后,做连接运算,得到一个巨型向量。
现在你得到了一个的代价函数J(即)
接着,你得到与W和b顺序相同的数据,你同样可以把dW[1]和db[1]……dW[L]和db[L]转换成一个新的向量,用它们来初始化大向量,它与具有相同维度。
注意dW[1]与W[1]具有相同维度,db[1]与b[1]具有相同维度。
那么 和代价函数 的梯度或坡度有什么关系?
这就是实施梯度检验Gradient Checking的过程。
首先,我们要清楚 J 是超参数 的一个函数,不论超级参数 向量的维度是多少,你可以将 J函数展开为。为了实施梯度检验,你要做的就是循环执行,从而对每个 也就是对每个 组成元素计算 。
上一节已经介绍过,为了更加逼近导数,这里要使用双边误差计算逼近值approximation,即
只对增加,其它项保持不变。因为我们使用的是双边误差,对另一边做同样的操作,只不过是减去,其它项全都保持不变。
上一节已经介绍过,应该逼近,是代价函数 的偏导数。
然后你需要对的每个值都执行这个运算,最后得到两个向量:和。这2个向量的维度相同,和的维度也相同。
你要做的就是验证这些向量是否彼此接近,。
那么如何定义两个向量是否真的接近彼此?
我们可以这样做。
计算这两个向量的欧式距离,的欧几里得范数(L2范数)。注意这里()没有平方,它是误差平方之和,然后求平方根,得到欧式距离。
然后使用向量长度的欧几里得范数归一化,得到梯度检验方程式为
分母只是用于预防这些向量太小或太大。分母使得这个方程式变成比率。
我们实际执行这个方程式,可能为10-7。使用这个取值范围内的
- 如果你发现计算上述方程式得到的值为10-7或更小,这就很好,因为这意味着导数逼近很有可能是正确的,它的值非常小。
- 如果它的值在10-5范围内,我就要小心了,也许这个值没问题,但我会再次检查这个向量的所有项,确保没有一项误差过大,可能这里有bug。
- 如果它的值大于10-3,我就会担心是否存在bug。这时应该仔细检查所有项,看是否有一个具体的值,使得和差别很大,并用它来追踪一些求导计算是否正确。经过一些调试,直至最终结果是这种非常小的值(10-7),此时你的实施才可能是正确的。
在实现NN时,经常需要执行前向传播foreprop和反向传播backprop。
如果你发现这个梯度检验有一个相对较大的值,你就要小心存在bug。然后开始调试,调试,调试,调试一段时间后,直至得到一个很小的梯度检验值,现在你可以很自信的说,NN实施是正确的。