第 3 章：神经网络如何学习

第 3 章：神经网络如何学习

在第二章中，我们详细了解了神经网络的静态结构：由神经元组成的层，以及连接它们的权重和偏置。现在，我们将进入整个教程最核心的部分：神经网络是如何从数据中"学习"的？

这个学习过程是一个动态的、不断调整自身参数以求更佳预测的过程。我们将通过四个关键概念来揭示这个秘密：

1. 前向传播 (Forward Propagation)：数据如何通过网络产生一个预测？
2. 损失函数 (Loss Function)：如何量化这个预测的"好坏"？
3. 梯度下降 (Gradient Descent)：如何根据"好坏"程度，找到参数优化的方向？
4. 反向传播 (Backpropagation)：如何高效地在整个网络中执行这个优化？

让我们从第一步开始。

3.1 前向传播：从输入到输出

前向传播，顾名思义，是信息在神经网络中 从前向后 传递的过程。它描述了当给定一个输入样本时，网络是如何一步步进行计算，并最终在输出层得到一个预测值的完整流程。

这个过程非常直观，就是将我们在第二章学到的所有知识串联起来。

前向传播的步骤

我们以一个简单的、用于二元分类的网络为例。假设它有一个输入层、一个隐藏层和一个输出层。

图 3.1: 前向传播流程示意图。数据从输入层（绿色）开始，流经隐藏层（蓝色），最终到达输出层（红色）产生预测值。

对于一个输入样本 X，其前向传播的计算流程如下：

1. 输入层 -> 隐藏层

   • 首先，隐藏层的每一个神经元都会接收来自输入层所有神经元的信号。
   • 对于隐藏层中的 第 j 个神经元，它会计算一个加权和 z_j，这和我们在感知器中学到的一样：
     $$z_j=(\sum _i(x_i\cdot w_{ij}))+b_j$$
     其中，x_i 是第 i 个输入，w_ij 是从输入层第 i 个神经元到隐藏层第 j 个神经元的权重，b_j 是隐藏层第 j 个神经元的偏置。
   • 然后，将这个加权和 z_j 通过一个激活函数（比如我们学过的 ReLU 或 Sigmoid）处理，得到该神经元的输出 a_j：
     $$a_j=\text{Activation}(z_j)$$
   • 对隐藏层中的所有神经元重复这个过程，我们就得到了整个隐藏层的输出 A_hidden。

2. 隐藏层 -> 输出层

   • 现在，隐藏层的输出 A_hidden 成为了输出层的输入。
   • 输出层的计算过程与隐藏层完全相同。假设我们的输出层只有一个神经元（用于二元分类），它的计算过程是：
     • 计算加权和 z_output：
       $$z_{\text{output}}=(\sum _j(a_j\cdot w_{j,\text{output}}))+b_{\text{output}}$$
     • 应用激活函数得到最终预测 y_pred：
       $$y_{\text{pred}}={\text{Activation}}_{\text{output}}(z_{\text{output}})$$
       （对于二元分类，这里的激活函数通常是 Sigmoid）

至此，一次完整的前向传播就完成了。 我们从一个原始输入 X 开始，通过网络中预设的权重和偏置，一步步计算，最终得到了一个预测结果 y_pred。

值得注意的是，在网络未经训练时，由于权重和偏置都是随机初始化的，这个 y_pred 几乎肯定是错误的。

那么，我们如何知道它"错得有多离谱"？又该如何利用这个"错误"来指导网络调整参数，让下一次的预测更准一些呢？

这便是我们下一节要讨论的 损失函数。

3.2 损失函数：衡量预测的"错误"程度

损失函数（Loss Function），有时也被称为 成本函数（Cost Function） 或 目标函数（Objective Function），是神经网络学习过程中的"导航员"和"裁判"。

它的作用非常明确：用一个具体的数值来量化模型的预测值（y_pred）与真实值（y_true）之间的差距。

这个差距，我们称之为"损失"（Loss）或"误差"（Error）。

• 损失值越大，说明模型的预测越不准确，离真实答案"越远"。
• 损失值越小，说明模型的预测越精准，离真实答案"越近"。

因此，整个神经网络训练的 最终目标，就是通过调整权重和偏置，来 最小化这个损失函数的值。

选择哪种损失函数取决于我们正在处理的任务类型。下面我们介绍两种最常见的场景。

场景一：回归问题（Regression）

在回归任务中，我们的目标是预测一个连续的数值，比如房价、气温或者股票价格。对于这类问题，最常用的损失函数是 均方误差（Mean Squared Error, MSE）。

工作原理：MSE 计算的是所有样本的"预测值与真实值之差的平方"的平均值。

图 3.2: 均方误差(MSE)的可视化。它计算的是每个数据点（蓝点）到模型预测线（红线）的垂直距离（绿色虚线，即残差）的平方的平均值。(来源: Neuromatch Academy)

数学公式（假设我们有 n 个样本）:
$$L_{\text{MSE}}=\frac{1}{n}\sum _{i=1}^n(y_{\text{true}}^{(i)}-y_{\text{pred}}^{(i)}{)}^2$$

• 我们先计算每个样本的预测值和真实值之差 (y_true - y_pred)。
• 然后将这个差值平方，这有两个好处：1) 保证结果是正数；2) 对较大的误差给予更重的"惩罚"。
• 最后将所有样本的平方误差加起来，求一个平均值。

场景二：分类问题（Classification）

在分类任务中，我们的目标是预测一个离散的类别标签，例如判断一封邮件是否为垃圾邮件（二元分类），或者识别一张图片中的动物是猫、狗还是鸟（多元分类）。

对于分类问题，最强大的损失函数是 交叉熵损失（Cross-Entropy Loss）。

工作原理：它的核心思想是：对于正确的预测，我们给予较小的"惩罚"（损失）；对于错误的预测，我们给予巨大的"惩罚"。

图 3.3: 不同损失函数在二元分类中的对比（当真实标签为1时）。交叉熵损失（绿色实线）显示，当模型对正确类别的预测概率接近1时，损失趋近于0；而当预测概率接近0时，损失会急剧增加，给予错误的预测巨大的惩罚。(来源: Wikimedia Commons)

对于最常见的 二元分类（Binary Classification），其交叉熵损失（也称为 BCE Loss）公式如下：

$$L_{\text{BCE}}=-\frac{1}{n}\sum _{i=1}^n\left[y_{\text{true}}^{(i)}\log (y_{\text{pred}}^{(i)})+(1-y_{\text{true}}^{(i)})\log (1-y_{\text{pred}}^{(i)})\right]$$

让我们来理解一下这个公式：

• 如果真实标签 y_true 是 1：公式简化为 -log(y_pred)。
  • 如果我们的预测 y_pred 也很接近 1（比如 0.99），那么 log(y_pred) 接近 0，损失就很小。
  • 如果我们的预测 y_pred 离谱地接近 0（比如 0.01），那么 log(y_pred) 会趋近于负无穷，损失就会变得非常大。
• 如果真实标签 y_true 是 0：公式简化为 -log(1 - y_pred)。
  • 如果我们的预测 y_pred 也很接近 0（比如 0.01），那么 1 - y_pred 接近 1，log(1-y_pred) 接近 0，损失就很小。
  • 如果我们的预测 y_pred 离谱地接近 1（比如 0.99），那么 1 - y_pred 接近 0，log(1-y_pred) 会趋近于负无穷，损失就会变得非常大。

这正是我们想要的：预测越有信心且越正确，损失越小；预测越有信心但越错误，损失就越大。

现在，我们有了一个明确的目标（最小化损失函数），也知道了如何衡量我们距离这个目标有多远。

接下来的问题是：我们应该 如何 调整那成千上万的权重和偏置，才能让这个损失值降低呢？我们是应该把某个权重调高一点，还是调低一点？调多少才合适？

明确的目标（最小化损失函数），也知道了如何衡量我们距离这个目标有多远。

接下来的问题是：我们应该 如何 调整那成千上万的权重和偏置，才能让这个损失值降低呢？我们是应该把某个权重调高一点，还是调低一点？调多少才合适？

这就是下一节 “梯度下降” 将要为我们解答的问题。

3.3 梯度下降：找到最小化损失的路径

现在，我们站在了问题的核心：我们有了一个可以量化错误的损失函数，我们如何系统地调整网络中成千上万的参数（权重 w 和偏置 b），来让损失值变得越来越小呢？

暴力尝试显然是行不通的。我们需要一个聪明且高效的策略。这个策略就是 梯度下降（Gradient Descent）。

一个下山的类比

为了理解梯度下降，想象一个非常生动的场景：

你正置身于一座连绵起伏的山脉中，四周一片浓雾，你看不清山谷的最低点在哪里。你的任务是尽快到达山谷的底部。你该怎么办？

一个非常直观的策略是：环顾四周，找到脚下最陡峭的下坡方向，然后朝着这个方向迈出一步。 到达新位置后，你再次重复这个过程：环顾四周，找到新的最陡峭的下坡方向，再迈出一步。只要你坚持这么做，最终你将一步步地走到山谷的最低点。

这就是梯度下降算法的全部直觉。在这个类比中：

• 山脉的地形：就是我们的 损失函数。这是一个由所有网络参数（权重和偏置）决定的复杂、高维度的"地形"。
• 你在山上的位置：由当前网络的 所有参数值 决定。
• 你的海拔高度：就是当前参数所对应的 损失值。
• 我们的目标：找到这片地形的 最低点（Global Minimum），也就是损失函数的最小值。
• 最陡峭的下坡方向：这就是 梯度（Gradient） 的反方向。

图 3.4: 梯度下降的可视化。在这个损失函数的"地形"上，无论从哪个点开始（红点），梯度下降算法都会引导参数沿着最陡峭的下坡路径前进，最终到达一个局部或全局的最低点。

核心概念：梯度与学习率

梯度下降算法的核心由两个概念组成：

1. 梯度（Gradient, ∇）
   在数学上，梯度是一个向量，它指向函数值 增长最快 的方向。换句话说，梯度就是函数在当前位置的 最陡峭的上坡方向。

   那么，最陡峭的 下坡方向 自然就是梯度的 反方向（-∇）。

   在神经网络中，这个"函数"就是我们的损失函数 L。梯度 ∇L 就是损失函数 L 对所有参数（w_1, w_2, ..., b_1, b_2, ...）求偏导数后组成的向量。这个向量告诉我们，在当前的位置，如何微调每一个参数，才能让损失值上升得最快。而我们只需要沿着它的反方向更新参数，就能最高效地降低损失。

2. 学习率（Learning Rate, α）
   找到了下山的方向后，我们还需要决定 每一步该迈多大。这个步长，就是 学习率。它是一个超参数（需要我们手动设定的值），用来控制每次参数更新的幅度。

   • 学习率太小：我们会像个谨小慎微的婴儿一样，每次只挪动一小步。虽然方向是对的，但下山速度会非常非常慢，训练过程会极其漫长。
   • 学习率太大：我们可能会因为步子迈得太大而"冲过头"，直接越过了山谷的最低点，甚至可能跳到了对面的山坡上，导致损失值不降反升，永远无法收敛到最低点。

   因此，选择一个合适的学习率是训练神经网络中最关键的环节之一。

梯度下降的更新规则

结合梯度和学习率，我们就得到了梯度下降的参数更新规则。对于网络中的任何一个参数 θ（它可以是任何权重 w 或偏置 b），其更新过程如下：

$${\theta }_{\text{new}}={\theta }_{\text{old}}-\alpha \cdot {\nabla }_{\theta }L$$

这个公式的含义是：

1. 计算损失函数 L 在当前参数 θ_old 处的梯度 ∇_θ L。
2. 将梯度乘以学习率 α，得到本次更新的步长。
3. 从旧的参数值 θ_old 中减去这个步长，得到新的参数值 θ_new。

通过在整个训练数据集上反复迭代这个过程（即，对于每个样本或每个批次的样本，都计算梯度并更新一次参数），网络中的所有参数都会被逐步推向能使总损失最小化的最优值。

但是，这里又出现了一个巨大的挑战：一个现代神经网络的参数动辄成千上万，甚至数百万、数十亿。我们该如何高效地计算出损失函数对这每一个参数的梯度呢？

这就要引出神经网络优化中的最后一块，也是最神奇的一块拼图——反向传播。我们将在下一节详细探讨它。

3.4 反向传播：高效的梯度计算引擎

**反向传播（Backpropagation, BP）**是迄今为止训练神经网络最成功的算法。可以说，没有反向传播，就没有深度学习的今天。它解决的正是上一节末尾提出的那个核心挑战：如何在一个具有数百万甚至数十亿参数的复杂网络中，快速、高效地计算出损失函数对每一个参数的梯度。

它的基本思想非常优雅，完全建立在微积分的 链式法则（Chain Rule） 之上。

直观理解：责任的层层回溯

让我们先抛开复杂的数学公式，用一个直观的方式来理解反向传播。

在前向传播中，信息从输入层流向输出层，最终产生一个预测，并计算出总损失。现在，想象一下，这个最终的损失（误差）是一个"责任"，我们需要将这个"总责任"公平且准确地分配回网络中的每一个参数（权重和偏置），看看它们各自对这个最终的错误贡献了多少"力量"。

反向传播做的就是这件事：它将损失 L 这个"总责任"，从网络的 输出层开始，一层一层地向后传递，直到输入层。

1. 输出层：在输出层，我们可以直接计算出损失对该层参数（权重和偏置）的梯度。这相对简单，因为它们离损失函数最近。
2. 倒数第二层：这一层的参数并没有直接影响最终的损失，而是通过影响了输出层的输出来间接影响损失。那么，这一层某个参数的"责任"有多大呢？根据链式法则，它的大小等于：(它对输出层的影响) x (输出层对最终损失的影响)。由于后者我们已经在第一步算出来了，我们只需要计算前者，就能得到当前层参数的梯度。
3. 继续向后：这个逻辑可以一直向后传递。任何一层参数的梯度，都可以通过它对下一层的影响，乘以【下一层已经计算出的梯度】来得到。

图 3.5: 反向传播中的梯度（或误差信号 δ）流动示意图。误差从最后一层（右侧）产生，并利用链式法则逐层向后传递，计算出每一层参数所应承担的"责任"。

就这样，误差信号像涟漪一样从后向前传播，每经过一层，我们就利用链式法则计算出该层参数的梯度。当这个过程到达输入层时，我们就已经拥有了网络中所有参数的梯度。

反向传播的两个阶段

因此，一次完整的参数更新（即梯度下降的一步）实际上包含两个阶段：

1. 前向传播（Forward Pass）：

   • 将一批训练数据输入网络。
   • 从输入层开始，逐层计算，直到输出层得到预测值。
   • 根据预测值和真实值，计算出这一批数据的总损失。
   • 在这个过程中，每一层的计算结果（比如加权和 z 和激活值 a）都需要被缓存下来，因为它们在反向传播阶段需要被用到。

2. 反向传播（Backward Pass）：

   • 从最终的损失开始，计算损失函数对输出层参数的梯度。
   • 利用链式法则，逐层向后计算每一层参数的梯度，直到输入层。
   • 这个过程会用到前向传播中缓存的中间值。

当反向传播完成后，我们就得到了所有参数的梯度。此时，我们就可以使用上一节学到的梯度下降更新规则，来更新所有的权重和偏置了：

$${\theta }_{\text{new}}={\theta }_{\text{old}}-\alpha \cdot {\nabla }_{\theta }L$$

这个 “前向计算 -> 反向求导 -> 更新参数” 的循环，就是神经网络训练的核心。这个循环会不断地重复，成千上万次，直到损失函数的值收敛到一个足够小的范围，我们的网络也就"学会"了如何处理这类任务。

至此，我们已经完整地解构了神经网络学习的四大核心组件。在下一章，我们将把这些理论知识应用到实践中，使用 PyTorch 这个强大的深度学习框架，来亲手搭建和训练我们的第一个神经网络。