反向传播算法

目录

• 0 梯度更新函式
• 1 梯度
• 2 链式法则
•  3 反向传播
• 4 实例
• 5 Forward pass
• 6 Backward pass
•  7 总结
•  8 简单代码实现

 

---

回到顶部

0 梯度更新函式

回到顶部

1 梯度

神经网络参数如下：

θ = {w1, w2, ... , b1, b2, ...}

权重梯度如下：

为了更好且有效的计算梯度，我们使用反向传播算法。

回到顶部

2 链式法则

回到顶部

 3 反向传播

损失函数(Loss function)是定义在单个训练样本上的，比如我们想要分类，就是预测的类别和实际类别的区别，通常用L表示。

总体损失函数(Total loss function)是定义在整个训练集上面的，也就是所有样本的误差的总和。也就是平时我们反向传播需要最小化的值。

对于L(θ)就是所有ln的损失之和，所以如果要算每个L(θ)的偏微分，我们只要算每个l^n的偏微分，再把所有l^n偏微分的结果加起来就是L(θ)的偏微分。

回到顶部

4 实例

 计算梯度分为两个步骤：

• 计算∂z​/∂w（Forward pass的部分）
• 计算​∂l/∂z​​ （ Backward pass的部分 ）

回到顶部

5 Forward pass

 

 

 

 

回到顶部

6 Backward pass

回到顶部

 7 总结

我们的目标是要求计算Forward pass的部分和计算Backward pass的部分，然后把∂z/​∂w和∂l/∂z​相乘，我们就可以得到∂l/∂w​,所有我们就可以得到神经网络中所有的参数，然后用梯度下降就可以不断更新，得到损失最小的函数。

回到顶部

 8 简单代码实现

# -*- coding: utf-8 -*-
# @Time    : 2022/11/28 16:16

import numpy as np

# 输入数据
x = np.array([[1, 1], [-1, 1], [-1, -0.5], [-1, 1.5]])
t = np.array([0, 1, 0, 1])
# print(x.shape[0])
w_init = np.array([1, 1])
b_init = 0
lr = 0.9
epoch = 0


# 前向传播
def forward(x, w, b):
    val = np.matmul(x, w.T) + b
    y_pre = np.zeros_like(val)
    for i in range(x.shape[0]):
        if val[i] > 0:
            y_pre[i] = 1
        else:
            y_pre[i] = 0
    return y_pre, val


# 计算loss损失
def loss_fuc(y_pre, w, b):
    val = np.matmul(x, w.T) + b
    loss = -(np.matmul(t - y_pre, val) / 4)
    return loss


# parameter update
def grad_update(y_pre, w_old, b_old, lr):
    grad_w = -(np.matmul(t-y_pre, x)) / 4.0
    one = np.ones_like(t-y_pre).T
    grad_b = -(np.matmul(t-y_pre, one) / 4.0)
    w_new = w_old - lr * grad_w
    b_new = b_old - lr * grad_b

    return w_new, b_new


if __name__ == '__main__':

    # 前向传播
    y_pre, val = forward(x, w_init, b_init)

    # 计算loss
    loss_result = loss_fuc(y_pre, w_init, b_init)

    # 打印输出结果
    print("epoch:", epoch, "\n", "val:", val, "\n", "w_new:", w_init, "\n", "b_new:", b_init, "\n", "y_pre:", y_pre, "\n", "loss:", loss_result)

    # 反向传播
    while loss_result != 0:
        # epoch递增
        epoch += 1

        # w，b参数更新
        w_init, b_init = grad_update(y_pre, w_init, b_init, lr)

        # 前向传播
        y_pre, val = forward(x, w_init, b_init)

        # 计算loss
        loss_result = loss_fuc(y_pre, w_init, b_init)

        # 打印输出结果
        print("epoch:", epoch, "\n", "val:", val, "\n", "w_new:", w_init, "\n", "b_new:", b_init, "\n",  "y_pre:", y_pre, "\n", "loss:", loss_result)

代码结果：