【学习笔记】cs231n-assignment2-FullyConnectedNets

本文是作者 Kay 完成斯坦福 cs231n-assignment2 的学习笔记,详细记录了全连接网络的搭建、前向传播和反向传播的实现,以及包括SGD+momentum、RMSProp和Adam在内的优化算法。文中还探讨了如何模块化构建神经网络、解决配置问题以及超参数调整的策略。
摘要由CSDN通过智能技术生成

    前言

大家好,我是Kay,小白一个。以下是我完成斯坦福 cs231n-assignment2-FullyConnectedNets 这份作业的做题过程、思路、踩到的哪些坑、还有一些得到的启发和心得。希望下面的文字能对所有像我这样的小白有所帮助。

在之前我们有训练过一个两层的全连接网络,但是我们把求损失函数和求梯度放在同一个 function 里了,这不够“模块化”,等以后遇到更大型的网络这样的操作效率不高。在这份练习里,我们即将对每一层网络都分开构建前播和后播函数,再组装成一个 fully-connected nets。优化的事就交给接下来的几份训练吧。

(结尾有我个人对“神经网络”的学习心得!)

    然而,首先一上来我就遇到了报错:
    run the following from the cs231n directory and try again:
    python setup.py build_ext --inplace
    You may also need to restart your iPython kernel
     
    后来发现核心的 bug 是:
    running build_ext
    building 'im2col_cython' extension
    error: Unable to find vcvarsall.bat
    这个错误怎么解决自行百度吧。哎,搞配置是一件特别令人沮丧的事情。

 

    TODO1:完成全连接层和 ReLUs 的前播和后播函数

    【思路】前播思路类似求 score 函数,后播就是 back propagation。四段代码见下,成功通过。
affine_forward: 
    x_re = np.reshape(x, (x.shape[0], -1))
    out = np.dot(x_re, w) + b

affine_backward:
    db = np.sum(dout, axis = 0)
    x_re = np.reshape(x, (x.shape[0], -1))    
    dw = np.dot(x_re.T, dout)
    dx = np.reshape(np.dot(dout, w.T), x.shape)

relu_forward:
    out = np.maximum(0, x)

relu_backward:
    dx = (x > 0) * dout


 
    TODO2:利用"模块化"的函数,重构两层神经网络

    【思路】其实还是一样的,先定义参数,然后求 scores,然后求 loss,然后求 gradient。

    【开始Debug】这里和之前的作业不一样的是,W,b 和 reg 都是“全局变量”,要写成诸如 self.params['W1'] 的形式才能通过!
init:
        self.params['W1'] = weight_scale * np.random.randn(input_dim, hidden_dim)

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值