深度学习笔记：误差反向传播（2）

反向传播上一章内容可见http://t.csdn.cn/SHW3m

1 激活函数的反向传播

ReLU

ReLU函数在x > 0的时候返回x，在X <= 0的时候返回0。对该函数求导可得∂y/∂x 在x > 0时为1，在x <= 0时为0

class Relu:
    def __init__(self):
        self.mask = None

    def forward(self, x):
        self.mask = (x <= 0)
        out = x.copy()
        out[self.mask] = 0

        return out

    def backward(self, dout):
        dout[self.mask] = 0
        dx = dout

        return dx

在该程序中，mask为一个boolean数组。self.mask = (x <= 0)将x中所有小于0的元素位置对应为True，将x大于0的元素位置对应False

Sigmoid

sigmoid函数求导结果为(1 + exp(-x)) ^ -2 * exp(-x),这一结果可以进一步简化为y(1 - y)

class Sigmoid:
    def __init__(self):
        self.out = None

    def forward(self, x):
        out = sigmoid(x)
        self.out = out
        return out

    def backward(self, dout):
        dx = dout * (1.0 - self.out) * self.out

        return dx

Affine

Affine层即为矩阵乘法。作用是将输入值乘以权重再加上偏置

反向传播输出矩阵形状要和输入矩阵形状一致，如X形状为（N,2），∂L/∂X 的形状也要为（N,2）。通过这点我们可以推出图中的反向传播计算公式。如要计算∂L/∂X，我们要将反向传播的输入(N,3)乘以W的同时确保输出形状为（N,2）。要实现这一点，我们可以将（N,3）* (3, 2)得到（N,2）,对应过来即为∂L/∂Y x WT

WT为转置矩阵，其作用是将矩阵横纵颠倒

对于偏置量，由于在正向传播中将X * W结果的每一维都加上了偏置。如对[[1, 1, 1], [2, 2, 2], [3, 3, 3]]加上偏置[1, 2, 3]的结果为[[2, 3, 4], [3, 4, 5], [4, 5, 6]]。在加法反向传播中，导数结果∂L/∂Y，这里需要将∂L/∂Y关于第0维加和结果作为∂L/∂B。在例子中即为[6, 6, 6]

class Affine:
    def __init__(self, W, b):
        self.W =W
        self.b = b
        
        self.x = None
        self.original_x_shape = None
        # 权重和偏置参数的导数
        self.dW = None
        self.db = None

    def forward(self, x):
        # 对应张量
        self.original_x_shape = x.shape
        x = x.reshape(x.shape[0], -1)
        self.x = x

        out = np.dot(self.x, self.W) + self.b

        return out

    def backward(self, dout):
        dx = np.dot(dout, self.W.T)
        self.dW = np.dot(self.x.T, dout)
        self.db = np.sum(dout, axis=0)
        
        dx = dx.reshape(*self.original_x_shape)  # 还原输入数据的形状（对应张量）
        return dx

softmax-with-loss

在分类问题的输出层，我们一般使用softmax函数。这里我们将softmax和cross-entropy层相连直接得到损失函数，因此被称为softmax-with-loss层。该层计算图如下：

这里由计算图一步步推得导数结果过程过于复杂。这里我们直接给出反向传播结果为y - t，即为预测值和标签值的差值。

class SoftmaxWithLoss:
    def __init__(self):
        self.loss = None
        self.y = None # softmax的输出
        self.t &