在一个已经训练好的神经网络中，如何给定一个输出值来反向推出特征值的数值大小

已经建立好了mlp神经网络，并且训练也达到了理想情况，如何由人为给定一个输出值来反向得到特征值大小呢？

不知道你这个问题是否已经解决, 如果还没有解决的话:

• 这篇文章：全连接网络（FC）、前馈神经网络（BP）、多层感知机（MLP） 也许能够解决你的问题，你可以看下
• 除此之外, 这篇博客: 深度学习初步，全连接神经网络，MLP从原理到实现（一）原理部分，反向传播详细解释和实际计算例子中的 2.多层全连接神经网络中的反向传播 部分也许能够解决你的问题, 你可以仔细阅读以下内容或者直接跳转源博客中阅读:
  

  损失函数有很多均方误差，交叉熵损失函数等等。

  把所有样本的损失值加起来为总的损失，参数即为神经网络中的权重，将总的损失优化到最小即为最终的权重参数，优化使用梯度下降，只不过可能是各种梯度下降的变形。

  如何计算用于更新参数的偏微分 是一个重要的问题。

  补充：链式求导法则

  

  要计算 这里L是总的损失，这里求导举例只举例单个样本对参数求导，总的直接所有样本加起来就行，所以以l代表单个样本的损失值。

  反向传播：

  为了使用梯度下降，需要求出梯度，也就是损失函数L关于权重w的一阶导数。设有N个样本，那么：

  

  因为多个样本和单个样本求梯度没什么差别，所以下面的例子以求单个样本的损失函数（以l表示）对w的导数为例。类似的，专注损失l对某个特定的w的导数而不是所有w，因为其他w的求法都可以类似得到。

  对于这样一个简单的nn结构：

  

  关注左上角的局部部分：

  

  损失函数l是在NN的输出端形成的，要求出l对w1的导数，就要利用开始提到的链式求导法则。

  Z的值直接影响到了 ，所以链式求导从这里开始。

  

  因为：

  

  很容易直接得到就是x1，因为这里是输入层后的隐层，所以是x1，如果不是，直观的后面任意层的 就是前一层的输入a

  没有 这么容易计算，因为z还影响了下一层的输入a，而a又进一步影响后面层的w，这种影响一直延续下去直到输出层。

  

  仔细想想这里的Z就类似上图种的s，只不过NN结构中，Z影响到的变量要比图中的s更多。

  接着，继续对 展开，Z紧接着送到了激活函数σ中，产生了a。所以：

  

  

  就是激活函数的导数，写成 。

  继续写出 。

  

  根据链式法则：

  

  所以：

  

  如果z'和z''不是输出层，那么这个过程还有继续进行下去。我们把这个过程看作逆向的：

  

  我们将求 这个过程反过来看：

  

  比如：

  

  我们要求 ，那么可以分为2个步骤，

  前向传播求出

  反向传播求

  就是上一层的输出，本层的输入

  而 需要从输出层开始计算。

  

  

  有了 那么前面的 就可以反向回去。

  比如：

  

  这样从后往前计算就可以算出所有的 ，最后将 和 乘起来就可以得到 。（注意这里的思维要想成所有的w）

  下面举一个实际的例子：

  

  NN结构如图，规定激活函数使用sigmoid，损失函数使用交叉熵，输出层[y1,y2]使用softmax。输入单个样本x1，x2=1，2，y=[1,0]（one-hot编码表示类别是y1）。

  补充：softmax和交叉熵输出层的求导。

  参考：https://blog.csdn.net/qian99/article/details/78046329

  最后一层softmax做激活函数，那么输出a的表达式为：

  

  z就是上一层的输入和权重的乘积求和再加上b

  

  激活函数σ(z):

  

  损失函数：

  

  这里l是单个样本，求和是因为多个类别，比如总共有3个类别，如果某个样本的真实类别是2，那么标签是一个向量[0 1 0]，遍历就是要遍历这个向量， 就是指不同类别的真实值（这里就只有y2=1，其他为0）， 就是经过softmax后不同类别的概率分布。

  要求的是：

  、

  这里 代表单个样本的损失，如果是多个样本只需要求和：

  

  因为 直接影响了a的值，而因为softmax的特效，所有a的分母部分都包含了 。 影响了所有a的值：

  

  根据链式法则：

  

  先来计算 ，因为 ，只对 求偏导，所以其他 均当作常数项。那么:

  

  再计算 ，需要分情况讨论，因为j=i时，a的分子部分含有 。

  当i=j：

  

  当i≠j时：

  

  将上面2种情况组合起来:

  

  所以最后：

  

  有了上面的例子开始计算：

  输如样本x=[1,2],y=[1,0],权重初始如图，偏置b都为0.1

  （1）先进行一次前向传播，计算所有的神经元输出输出a：

  

  （2）反向传播计算梯度

  符号说明：

  表示第l（不包含输入层）层第i（从上往下数）个单元产生的z值

  表示第l层第x个单元与第l-1层第y个单元之间连接的权重。

  

  计算 ：

  第3层：

  

  第2层：

  

  第1层：

  

  有了 ，计算 就很简单了：比如：

  

  （3）向量化/矩阵化运算

  但是这样串行的思想不利用计算，需要把上面的计算过程向量化矩阵化。

  

  1）a的计算

  

  

  其他层的计算类似，输入x变为输入上一层的输出a

  2）

  

  其他情况类似推广。

  3）

  

        

  其他情况类似推广。

  可以计算梯度后就可以更新参数了。

• 您还可以看一下 赵辛老师的深度学习之神经网络 核心算法与项目实战课程中的 MLP实现非线性边界数据分类（1）小节, 巩固相关知识点
  
• 以下回答来自chatgpt:

  对于已经训练好的MLP神经网络，如果想通过输入一个输出值来反向计算出相应的特征值大小，可以使用反向传播算法和梯度下降算法来完成。

  具体步骤如下：

  1.根据MLP神经网络的结构，定义反向传播算法函数backpropagate()。

  def backpropagate(output, target, layers):
      error = output - target
      for i in reversed(range(len(layers))):
          layer = layers[i]
          error = layer.backward(error)
      return error
  

  2.定义MLP神经网络的类和各层，并使用已训练好的权重w和偏置b对建立的神经网络进行初始化。在类中定义前向传播算法函数forward()和反向传播算法函数backward()。在前向传播算法中，根据经过加权输入进行激活后的输出值和权重，计算出模型输出值。在反向传播算法中，根据输出值和目标值求解梯度。

  class MLP():
      def __init__(self, num_inputs, num_hidden, num_outputs):
          self.num_inputs = num_inputs
          self.hidden_layer = DenseLayer(num_hidden, num_inputs)
          self.output_layer = DenseLayer(num_outputs, num_hidden)
          self.layers = [self.hidden_layer, self.output_layer]
  
      def forward(self, inputs):
          x = self.hidden_layer.forward(inputs)
          x = self.output_layer.forward(x)
          return x
  
      def backward(self, output, target):
          error = backpropagate(output, target, self.layers)
          return error
  

  3.在测试数据上进行预测，通过输入输出值，得到输出的特定特征值的大小。具体步骤如下：

  （1）读取测试数据，进行标准化处理。

  （2）将标准化后的数据输入到神经网络中，得到输出结果。

  （3）通过调用backward()函数，返回输入值的特定特征值大小。

  import numpy as np
  
  # 读取测试数据，并进行标准化处理
  test_data = np.loadtxt('test_data.csv', delimiter=',')
  mean = np.mean(test_data, axis=0)
  std = np.std(test_data, axis=0)
  test_data = (test_data - mean) / std
  
  # 定义MLP神经网络的结构
  mlp = MLP(num_inputs=5, num_hidden=4, num_outputs=3)
  
  # 加载已训练好的权重和偏置
  mlp.hidden_layer.weights = np.loadtxt('hidden_weights.csv', delimiter=',')
  mlp.hidden_layer.biases = np.loadtxt('hidden_biases.csv', delimiter=',')
  mlp.output_layer.weights = np.loadtxt('output_weights.csv', delimiter=',')
  mlp.output_layer.biases = np.loadtxt('output_biases.csv', delimiter=',')
  
  # 对每个测试样本进行预测，输出特定特征值大小
  for input in test_data:
      output = mlp.forward(input)
      feature_value = mlp.backward(output, [1, 0, 0])  # 输出第一个特征值的大小
      print('Feature Value:{}'.format(feature_value))
  

  注意事项：

  （1）反向传播算法要求激活函数是可微分的，一般采用sigmoid或者ReLU。

  （2）在使用梯度下降算法时，需要谨慎选择学习率，以避免梯度爆炸或者梯度消失的问题。

  （3）为了避免过拟合，常采用正则化方法，如L1正则化和L2正则化等。

如果你已经解决了该问题, 非常希望你能够分享一下解决方案, 写成博客, 将相关链接放在评论区, 以帮助更多的人 ^-^