反向传播从轮廓到精雕细琢模型知道损失值之后怎么调整自己的参数上一篇文章我们讲了损失函数——它像一个指南针告诉模型你离正确答案还有多远。那知道偏了之后模型该怎么调整自己的参数这个问题的答案就是本文要讲的核心概念反向传播Backpropagation。如果说损失函数是发现问题的人那反向传播就是解决问题的人——它指引模型往正确的方向调整参数让预测越来越准。一、从雕塑家的创作说起想象一位雕塑家在创作。他面对一块粗糙的石头脑子里有一个形象的轮廓。第一步大刀阔斧打出大型——这时候不需要多精细大概的形出来就行。然后他后退几步看看整体效果。哪里比例不对哪里少了一块发现问题接着雕。再后退再看再雕。这个过程中有一个非常关键的节奏后退 → 观察 → 动手调整。每一次循环雕像就更接近他脑海中的目标形象。这个过程和神经网络训练惊人的相似。直觉上的对应关系雕塑家的创作过程后退观察与调整的循环雕塑创作神经网络训练面对原材料初始化参数打轮廓第一层提取基本特征后退观察计算损失值再动手调整反向传播更新参数反复逼近目标多次迭代直到收敛每一轮训练模型都在执行同样的节奏前向传播得到一个输出计算损失值然后反向传播调整参数——就像雕塑家退后一步、看一眼、再动手。二、一句话说清反向传播不绕弯子直接上干货反向传播让模型知道每个参数在当前这步该往哪个方向调、调多少才能让最终输出更接近正确答案。具体来说就是算一个叫**梯度Gradient**的东西。梯度指引着参数优化的方向。模型从最终的输出结果往回倒推——从输出层开始一层一层往回算直到输入层。每一层都算出一个数值告诉模型你在这里该往哪个方向调整。这个过程用到了一件重要的数学工具链式法则Chain Rule。链式法则的直观理解三层优化递进三、链式法则到底在做什么名字听起来很吓人对吧其实道理非常简单。假设你现在面对一个雕像有三个环节要考虑第一个环节 → 打轮廓对应神经网络第一层的参数决定了大体形状第二个环节 → 精雕五官对应隐藏层的参数提取细粒度特征第三个环节 → 打磨表面对应输出层的参数呈现最终结果现在最终呈现的雕像鼻子还不够完美。我们要找到优化的路径从表面入手逐步回推到源头找到每个环节可以改善的地方。链式法则干的事情就是从输出端开始→ 分析表面打磨可以如何改善 → 再回溯到五官精雕可以如何优化 → 最终追溯到轮廓的调整空间然后它精确算出每个环节的优化方向。放到神经网络里这个优化方向就是每个参数的梯度。链式法则的数学表达式非常简单损失对第一层参数的梯度 损失对输出层的影响 × 输出层对中间层的影响 × 中间层对第一层的影响或者更直观地说A影响BB影响C → A对C的梯度 A对B的梯度 × B对C的梯度只要学过小学数学里的连锁关系你就能理解链式法则的精髓——它是从输出到输入逐层传递优化信号的过程。四、逐层排查精准优化用刚才的雕塑例子来走一遍完整的优化排查过程第三步打磨表面还有改善空间→ 可以微调第二步精雕五官的改进空间更大→ 主要优化对象第一步轮廓仍有调整余地→ 基础层面的优化影响最大链式法则正是这样从后往前逐层优化算出每一层参数的梯度。每一层算出的梯度不是有罪或无罪的判断而是一个精确的方向指引——告诉你当前这层参数往哪个方向调整能最有效地减少损失。梯度指向损失下降最快的方向五、一次完整的训练迭代现在我们把整个过程串起来看看一次训练迭代的完整流程前向传播输入数据 → 逐层计算 → 得到输出计算损失输出 vs 真实值 → 计算出损失数值反向传播从输出到输入 → 逐层计算每个参数的梯度更新参数根据梯度方向 → 调整参数 → 下一轮更接近目标然后就是⟳ 循环 → 循环 → 再循环——直到损失值收敛到一个满意的水平。这个循环就是模型训练的每一天前向传播、算损失、反向传播、更新参数周而复始。训练迭代的完整循环前向→损失→反向→更新六、梯度的意义整个反向传播的终极产出就是每个参数的梯度值。梯度告诉模型两件事方向参数该往哪个方向调能让损失下降幅度这次调整应该迈多大的步子有了梯度这个指南针模型才能在下一轮迭代中把损失值降下去。每一轮迭代参数都在沿着梯度的方向优化——就像雕塑家每次退后观察后的那一步精修。总结反向传播就是把损失信号从输出端传回输入端算出每个参数的优化方向。整个过程可以浓缩为三个步骤输入处理输出损失值一个数字链式法则逐层传递每个参数的梯度知道梯度之后下一步做什么根据梯度更新参数——那具体怎么更新、更新多少就是下一篇文章要讲的「梯度下降」。有了方向怎么迈出那一步我们下篇见。本文是小默说AI系列第06篇带你从零听懂AI。
