python - 梯度下降权重/偏差更新在这里如何工作？

Question

我一直在从 Michael Nielsen 的 http://neuralnetworksanddeeplearning.com/chap1.html 学习神经网络.

在下面的部分更新权重和偏差

def update_mini_batch(self, mini_batch, eta):
    nabla_b = [np.zeros(b.shape) for b in self.biases]
    nabla_w = [np.zeros(w.shape) for w in self.weights]

    for x, y in mini_batch:
        delta_nabla_b, delta_nabla_w = self.backprop(x, y)

        #Zero vectors
        nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
        nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]

    self.weights = [w-(eta/len(mini_batch))*nw
                    for w, nw in zip(self.weights, nabla_w)]
    self.biases = [b-(eta/len(mini_batch))*nb
                   for b, nb in zip(self.biases, nabla_b)]



def SGD(self, training_data, epochs, mini_batch_size, eta,
        test_data=None):
    if test_data: n_test = len(test_data)
    n = len(training_data)
    for j in xrange(epochs):
        random.shuffle(training_data)
        mini_batches = [
            training_data[k:k+mini_batch_size]
            for k in xrange(0, n, mini_batch_size)]

        ####
        for mini_batch in mini_batches:
            self.update_mini_batch(mini_batch, eta)
        if test_data:
            print "Epoch {0}: {1} / {2}".format(
                j, self.evaluate(test_data), n_test)
        else:
            print "Epoch {0} complete".format(j)

有什么需要引入nabla_b和nabla_w零向量？当它们只是被添加到本身就是 numpy 数组的 dnb 和 dnw 时。不是 0 + something = something 吗？对于单个训练示例，这里对零向量的需求是什么？

作为测试，我删除了零向量并单独使用 dnb 和 dnw，我没有看到训练有任何显着差异。

谢谢。

Answer 1

是的，你是对的 0 + something = something，但在第二次迭代中，它将是

something +something_else = value

所以，这发生在下面的代码中
对于 mini_batch 中的 x, y:

这里，对于第一个minibatchnabla_w，nabla_b会是0，但是对于第二次及以后的迭代，它会有一些值.

让我们考虑下面的代码

nabla_b = [nb+dnb for nb, dnb in zip(nabla_b, delta_nabla_b)]
nabla_w = [nw+dnw for nw, dnw in zip(nabla_w, delta_nabla_w)]

在第一次迭代中，nabla_b 和 nabla_w 都是零。但是，在这次迭代中，由于 nb+dnb 而更新了它们，因此，nabla_b 和 nabla_w 不再只是仅包含零的向量。所以，在第二次迭代中，nabla_b 不再是零向量