做亚马逊有看数据的网站吗,北京网站seo服务,做外贸电商网站有哪个,少儿编程加盟亏本误差反向传播 导语计算图反向传播链式法则 反向传播结构加法节点乘法节点 实现简单层加法乘法 激活函数层实现ReLUSigmoid Affine/Softmax层实现Affine基础版批版本 Softmax-with-Loss 误差反向传播实现梯度确认总结参考文献 导语
书上在前一章介绍了随机梯度下降法进行参数与… 误差反向传播 导语计算图反向传播链式法则 反向传播结构加法节点乘法节点 实现简单层加法乘法 激活函数层实现ReLUSigmoid Affine/Softmax层实现Affine基础版批版本 Softmax-with-Loss 误差反向传播实现梯度确认总结参考文献 导语
书上在前一章介绍了随机梯度下降法进行参数与权重的学习但是实际上SGD的训练过程很慢并且神经网络层与层之间是存在数学关系的SGD并没有利用好他们间的这种关系相比之下利用数学式关系的误差反向传播无论是在效率还是速度上都相较于随机梯度下降更胜一筹也更为常用。
计算图
书上采用了计算图来描述传播过程这里的图和数据结构中的图定义一样简单实例如下 如图一般来说计算图时一个有向无环图使用计算图时需要先构建然后再从左往右计算像从左到右的计算方向称之为正向传播从出发点到结束点有点类似网络流。
计算图可以通过传递局部计算的结果来一层层的获得最终结果如图中的x×y这是一个局部结果并不会干扰别的传递计算图就是通过一步一步一个个局部运算最后得到结果的。
反向传播
如图反向传播的计算顺序与正向传播相反将信号E乘以局部导数然后将结果传递下一个节点局部导数为y关于x的导数因为存在多参数的情况所以这里是偏导这种偏导是基于链式法则来实现的。
链式法则
链式法则是关于复合函数导数的性质定义为如果某个函数由复合函数表示则该复合函数的导数可以由构成函数的各个函数的导数乘积表示。
具体的例子和证明属于高等数学内容略这里只说明链式法则和计算图的内容一个简单的示例图如下。 根据链式法则∂z/∂t · ∂t/∂x∂z/∂x而原式 z ( x − y ) 2 z(x-y)^2 z(x−y)2则∂z/∂x 2 ( x − y ) 2(x-y) 2(x−y)
反向传播结构
一般来说计算图涉及到的运算都可以用加法和乘法表示减法可以变成加负数除法可以变成乘倒数因此书上主要介绍了反向传播的加法节点和乘法节点的结构。
加法节点
以 z x y zxy zxy为例计算图表示如下 z对x,y的偏导都为1反向传播图如下 书上把上游传来的导数值设为∂L/∂z最终输出值由于链式法则反向传播向下传递时要乘以z对x,y的偏导。
乘法节点
以 z x y zxy zxy为例计算图表示如下 z对x,y的偏导分别为y、x反向传播图如下
可以看到加法的反向传播只是将上游值传给下游是不需要输入信号的但是乘法的反向传播是需要正向传播的输入信号的。
实现简单层
承接上文实现计算图中的乘法节点的就是乘法层实现加法节点就是加法层。
加法
给出书上的代码方便理解加上了注释按照个人习惯修改了一下
class MulLayer:def __init__(self):#初始化self.x Noneself.y Nonedef forward(self, x, y):#赋值和返回正向传播结果self.xxself.yy return x*ydef backward(self, dout):#返回反向传播结果注意需要输入导数return dout*self.y,dout*self.x
乘法
同上
class AddLayer:def __init__(self):#不需初始化passdef forward(self, x, y):#正向传播return xydef backward(self, dout):#反向传播return dout*1,dout*1
激活函数层实现
在书的上一章实现了神经网络的学习但是只有学习过程是不够的还需要激活函数对得到的结果进行取舍书上在本章进行了激活函数层的实现。
ReLU
ReLU函数的性质不再赘述可以参考神经网络简介这里只给出计算图
这里给出书上的实现加上了一些注释
class Relu:def __init__(self):self.mask Nonedef forward(self, x):self.mask (x 0)#返回所有非正下标out x.copy()#深复制out[self.mask] 0#对应下标全部置0return outdef backward(self, dout):dout[self.mask] 0#对应下标全部置0return doutSigmoid
这里跳过了sigmod内部各个节点的传递过程将其视为一个整体直接给出计算图 书上的实现
class Sigmoid:def __init__(self):self.out Nonedef forward(self, x):out sigmoid(x)#输出self.out out#赋值return outdef backward(self, dout):return dout*(1.0-self.out)*self.out#反向传播的导数式子Affine/Softmax层实现
上文所给的函数操作对象都是单个的数值然而在神经网络中我们操作的总是矩阵因此需要对应的运算层来实现运算。
Affine
Affine用来实现神经网络的正向传播中的矩阵乘积运算式子表达为 Y X W B YXWB YXWB这里的计算图采用书上的例子即取各数据维度 X X X为 ( 2 , ) (2,) (2,)、 W W W为 ( 2 , 3 ) (2,3) (2,3)、 B B B为 ( 3 , ) (3,) (3,)基本计算图如下 基础版
矩阵计算图的反向传播和前文的道理一样书上给出了反向传播的推导结果 ( 1 ) ∂ L ∂ X ∂ L ∂ Y W T ( 2 ) ∂ L ∂ W X T ∂ L ∂ Y \begin{aligned} (1)\frac{∂L}{∂X}\frac{∂L}{∂Y}W^{T} \\ \\ (2)\frac{∂L}{∂W}X^{T}\frac{∂L}{∂Y} \end{aligned} (1)∂X∂L∂Y∂LWT(2)∂W∂LXT∂Y∂L
反向传播的计算图如下数字为对应的式子, X X X应该和 ∂ L ∂ X \frac{∂L}{∂X} ∂X∂L形状相同 W W W应该和 ∂ L ∂ W \frac{∂L}{∂W} ∂W∂L形状相同。
批版本
现在考虑N个数据一起进行正向传播的情况即批版本Affine层相较于只处理单个数据批版本多加了一维式子如下 ( 3 ) ∂ L ∂ B ∂ L ∂ Y \begin{aligned} (3)\frac{∂L}{∂B}\frac{∂L}{∂Y} \end{aligned} (3)∂B∂L∂Y∂L
计算图如下可以看到都多加了一维输入从一个数组变成了矩阵。 需要注意的是就偏置值来说正向传播和反向传播的处理方式是不一样的正向传播只需要对每个数据加上相同的偏置值但是反向传播由于上有传回的数据不同所以得到的偏导也可能不同所以反向传播时得到的应该是一个数组。
书上给出的实现如下
class Affine:def __init__(self, W, b):self.W Wself.b bself.x Noneself.original_x_shape None# 权重和偏置参数的导数self.dW Noneself.db Nonedef forward(self, x):# 对应张量self.original_x_shape x.shapex x.reshape(x.shape[0], -1)#重新拉伸self.x xreturn np.dot(self.x, self.W) self.bdef backward(self, dout):dx np.dot(dout, self.W.T)self.dW np.dot(self.x.T, dout)self.db np.sum(dout, axis0) return dx.reshape(*self.original_x_shape)# 还原输入数据的形状对应张量Softmax-with-Loss
书上给出的softmax层的实现包括了损失函数因此叫Softmax-with-Loss由于太过复杂没办法重绘这里给出书上设计图 简化版的如下这里假设要进行三类分类。
书上给出的代码实现如下
class SoftmaxWithLoss:def __init__(self):self.loss Noneself.y None # softmax的输出self.t None # 监督数据def forward(self, x, t):self.t tself.y softmax(x)self.loss cross_entropy_error(self.y, self.t)return self.lossdef backward(self, dout1):#反向传播时要除以批大小传递前面的层是单个数据的误差batch_size self.t.shape[0]if self.t.size self.y.size: # 监督数据是one-hot-vector的情况dx (self.y - self.t) / batch_sizeelse:dx self.y.copy()dx[np.arange(batch_size), self.t] - 1dx dx / batch_sizereturn dx误差反向传播实现
上一章的神经网络实现使用数值微分求得在使用时效率很低如果使用误差反向传播效率会更高这里给出书上的两层网络实现加上了一些注释
# coding: utf-8
import sys, os
sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定
import numpy as np
from common.layers import *
from common.gradient import numerical_gradient
from collections import OrderedDictclass TwoLayerNet:def __init__(self, input_size, hidden_size, output_size, weight_init_std 0.01):#输入规模隐藏层规模输出规模分布参数# 初始化权重self.params {}self.params[W1] weight_init_std * np.random.randn(input_size, hidden_size)#高斯本部self.params[b1] np.zeros(hidden_size)#全置0self.params[W2] weight_init_std * np.random.randn(hidden_size, output_size) self.params[b2] np.zeros(output_size)# 生成层self.layers OrderedDict()#有序字典记住向字典添加的顺序可以认为拿字符串作为每一层的下标了self.layers[Affine1] Affine(self.params[W1], self.params[b1])#传入参数生成层self.layers[Relu1] Relu()self.layers[Affine2] Affine(self.params[W2], self.params[b2])self.lastLayer SoftmaxWithLoss()#最后一层def predict(self, x):#递推每一层的结果作为下一层输入for layer in self.layers.values():x layer.forward(x)return x# x:输入数据, t:监督数据def loss(self, x, t):y self.predict(x)return self.lastLayer.forward(y, t)def accuracy(self, x, t):y self.predict(x)y np.argmax(y, axis1)if t.ndim ! 1 : t np.argmax(t, axis1)accuracy np.sum(y t) / float(x.shape[0])return accuracy# x:输入数据, t:监督数据def numerical_gradient(self, x, t):#反向传播算梯度loss_W lambda W: self.loss(x, t)grads {}grads[W1] numerical_gradient(loss_W, self.params[W1])grads[b1] numerical_gradient(loss_W, self.params[b1])grads[W2] numerical_gradient(loss_W, self.params[W2])grads[b2] numerical_gradient(loss_W, self.params[b2])return gradsdef gradient(self, x, t):# forwardself.loss(x, t)# backwarddout 1dout self.lastLayer.backward(dout)layers list(self.layers.values())layers.reverse()for layer in layers:#一层层往回推dout layer.backward(dout)# 设定grads {}grads[W1], grads[b1] self.layers[Affine1].dW, self.layers[Affine1].dbgrads[W2], grads[b2] self.layers[Affine2].dW, self.layers[Affine2].dbreturn grads训练的源码略只需要进行下列修改即可。
学习的结果如下输出的是训练集和测试集上的准确度
梯度确认
与反向传播相比数值微分的效率显得捉襟见肘这是否意味着数值微分没有用武之地了呢并不是由于误差反向传播实现很复杂所以很容易出错因此在用误差传播得到结果后可以用数值微分的结果进行比对确认误差传播的实现是否正确这样的过程就是梯度确认书上给的代码如下
# coding: utf-8
import sys, os
sys.path.append(os.pardir) # 为了导入父目录的文件而进行的设定
import numpy as np
from dataset.mnist import load_mnist
from two_layer_net import TwoLayerNet# 读入数据
(x_train, t_train), (x_test, t_test) load_mnist(normalizeTrue, one_hot_labelTrue)#拿数据network TwoLayerNet(input_size784, hidden_size50, output_size10)#构造神经网络x_batch x_train[:3]
t_batch t_train[:3]grad_numerical network.numerical_gradient(x_batch, t_batch)#数值微分
grad_backprop network.gradient(x_batch, t_batch)#反向传播for key in grad_numerical.keys():diff np.average( np.abs(grad_backprop[key] - grad_numerical[key]) )#秋各个权重的绝对误差平均值print(key : str(diff))运行结果
总结
相较于数值微分误差反向传播是一个更好的实现方式但是理解上和实现上也增加了困难并且由于其自身的复杂性往往还需要数值微分进行结果的比对。
参考文献
《深度学习入门——基于Python的理论与实现》
