NG深度学习第二门课作业1-3 深度学习的实践

最新推荐文章于 2022-08-14 16:27:58 发布

SpringRolls

最新推荐文章于 2022-08-14 16:27:58 发布

阅读量244

点赞数

分类专栏：深度学习hw

本文链接：https://blog.csdn.net/SpringRolls/article/details/99677420

版权

深度学习hw 专栏收录该内容

8 篇文章 1 订阅

订阅专栏

梯度校验

欢迎来到本周的期末作业！在这个作业中，你将学习如何实现和使用梯度校验。

您是一个致力于在全球范围内提供移动支付的团队的成员，并被要求建立一个深度学习模型来检测欺诈行为——判断用户账户在进行付款的时候是否是被黑客入侵的。

但是反向传播很难实现，有时会有缺陷。因为这是一个任务关键型应用程序，所以您公司的首席执行官希望真正确定您的反向传播实现是正确的。你的首席执行官说，“给我一个证据，证明你的反向传播确实有效！”为了保证这一点，您将使用“梯度校验”。

开始吧！

# Packages
import numpy as np
from testCases import *
from gc_utils import sigmoid, relu, dictionary_to_vector, vector_to_dictionary, gradients_to_vector

1)梯度校验是如何工作的？

2)1维的梯度校验

考虑一个1D线性函数 J(θ)=θx。该模型只包含一个实值参数θ，并以x作为输入。

您将实现代码来计算 J(.) 及其衍生物 ∂J/∂θ。然后，您将使用梯度校验来确保您对J的导数计算是正确的。

上图显示了关键的计算步骤:首先从x开始，然后计算函数 J(x)(“正向传播”)。然后计算导数 ∂J/∂θ(“反向传播”)。

练习:为这个简单的函数实现“正向传播”和“反向传播”。即计算两者J(.)(“前向传播”)及其相对于θ的导数(“后向传播”)，分为两个独立的函数。

# GRADED FUNCTION: forward_propagation

def forward_propagation(x, theta):
    """
    实现图中呈现的线性前向传播（计算J）（J（theta）= theta * x）

    参数：
    x  - 一个实值输入
    theta  - 参数，也是一个实数

    返回：
    J  - 函数J的值，用公式J（theta）= theta * x计算
    """
    
    ### START CODE HERE ### (approx. 1 line)
    J = np.dot(theta,x)
    ### END CODE HERE ###
    
    return J

测试：

x, theta = 2, 4
J = forward_propagation(x, theta)
print ("J = " + str(J))

结果：

J = 8

练习:现在，实现图1的反向传播步骤(导数计算)。也就是说，计算 J(θ)=θx 相对于θ的导数。为了避免你做微积分，你应该找dtheta=∂J/∂θ=x。

# GRADED FUNCTION: backward_propagation

def backward_propagation(x, theta):
    """
    计算J相对于θ的导数。

    参数：
        x  - 一个实值输入
        theta  - 参数，也是一个实数

    返回：
        dtheta  - 相对于θ的成本梯度
    """
    
    ### START CODE HERE ### (approx. 1 line)
    dtheta = x
    ### END CODE HERE ###
    
    return dtheta

测试：

x, theta = 2, 4
dtheta = backward_propagation(x, theta)
print ("dtheta = " + str(dtheta))

结果：

dtheta = 2

练习:为了显示 backward_propagation() 函数正在正确计算梯度 ∂J/∂θ，让我们实现梯度检查。

说明:

首先使用上面的公式(1)和一个小的ε值计算“梯度近似值”。以下是要遵循的步骤:

然后使用反向传播计算梯度，并将结果存储在变量“grad”中
最后，使用以下公式计算“梯度近似值”和“梯度”之间的相对误差:

计算该公式需要3个步骤:

1’. 使用 np.linalg.norm 计算分子(...)
2’. 计算分母。你需要call给np.linalg.norm(...)两次。
3’. 分开他们。

如果这种差异很小(比如小于10的-7次方)，您可以确信您已经正确计算了梯度。否则，梯度计算可能会出错。

# GRADED FUNCTION: gradient_check

def gradient_check(x, theta, epsilon = 1e-7):
    """
    实现图中的反向传播。

    参数：
        x  - 一个实值输入
        theta  - 参数，也是一个实数
        epsilon  - 使用公式（3）计算输入的微小偏移以计算近似梯度

    返回：
        近似梯度和后向传播梯度之间的差异
    """
    
    # 使用公式（1）的左侧计算gradapprox. epsilon is small enough, you don't need to worry about the limit.
    ### START CODE HERE ### (approx. 5 lines)
    thetaplus = theta + epsilon                               # Step 1
    thetaminus = theta - epsilon                              # Step 2
    J_plus = forward_propagation(x, thetaplus)                # Step 3
    J_minus = forward_propagation(x, thetaminus)              # Step 4
    gradapprox = (J_plus - J_minus) / (2 * epsilon)           # Step 5
    ### END CODE HERE ###
    
    # Check if gradapprox is close enough to the output of backward_propagation()
    ### START CODE HERE ### (approx. 1 line)
    grad = backward_propagation(x, theta)
    ### END CODE HERE ###
    
    ### START CODE HERE ### (approx. 1 line)
    numerator = np.linalg.norm(grad - gradapprox)                      # Step 1'
    denominator = np.linalg.norm(grad) + np.linalg.norm(gradapprox)    # Step 2'
    difference = numerator/denominator                                 # Step 3'
    ### END CODE HERE ###
    
    if difference < 1e-7:
        print ("The gradient is correct!")
    else:
        print ("The gradient is wrong!")
    
    return difference

测试：

x, theta = 2, 4
difference = gradient_check(x, theta)
print("difference = " + str(difference))

结果：

The gradient is correct!
difference = 2.919335883291695e-10

恭喜，差值小于10的-7次方阈值。因此，您可以很有信心正确计算了 backward_propagation() 中的梯度。

现在，在更一般的情况下，你的成本函数J不止有一个1维输入。当你训练一个神经网络时，θ实际上是由多个矩阵组成的，W[l]和偏置 b[l]！了解如何使用高维输入进行梯度校验非常重要。开始吧！

3)多维梯度检查

下图描述了欺诈检测模型的正向和反向传播。

*LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SIGMOID*

让我们看看您的正向传播和反向传播的实现。

def forward_propagation_n(X, Y, parameters):
    """
    实现图中的前向传播（并计算成本）。

    参数：
        X - 训练集为m个例子
        Y -  m个示例的标签
        parameters - 包含参数“W1”，“b1”，“W2”，“b2”，“W3”，“b3”的python字典：
            W1  - 权重矩阵，维度为（5,4）
            b1  - 偏向量，维度为（5,1）
            W2  - 权重矩阵，维度为（3,5）
            b2  - 偏向量，维度为（3,1）
            W3  - 权重矩阵，维度为（1,3）
            b3  - 偏向量，维度为（1,1）

    返回：
        cost - 成本函数（logistic）
    """
    
    # retrieve parameters
    m = X.shape[1]
    W1 = parameters["W1"]
    b1 = parameters["b1"]
    W2 = parameters["W2"]
    b2 = parameters["b2"]
    W3 = parameters["W3"]
    b3 = parameters["b3"]

    # LINEAR -> RELU -> LINEAR -> RELU -> LINEAR -> SIGMOID
    Z1 = np.dot(W1, X) + b1
    A1 = relu(Z1)
    Z2 = np.dot(W2, A1) + b2
    A2 = relu(Z2)
    Z3 = np.dot(W3, A2) + b3
    A3 = sigmoid(Z3)

    # Cost
    logprobs = np.multiply(-np.log(A3),Y) + np.multiply(-np.log(1 - A3), 1 - Y)
    cost = 1./m * np.sum(logprobs)
    
    cache = (Z1, A1, W1, b1, Z2, A2, W2, b2, Z3, A3, W3, b3)
    
    return cost, cache

现在，运行反向传播。

def backward_propagation_n(X, Y, cache):
    """
    实现图中所示的反向传播。

    参数：
        X - 输入数据点（输入节点数量，1）
        Y - 标签
        cache - 来自forward_propagation_n（）的cache输出

    返回：
        gradients - 一个字典，其中包含与每个参数、激活和激活前变量相关的成本梯度。
    """
    
    m = X.shape[1]
    (Z1, A1, W1, b1, Z2, A2, W2, b2, Z3, A3, W3, b3) = cache
    
    dZ3 = A3 - Y
    dW3 = 1./m * np.dot(dZ3, A2.T)
    db3 = 1./m * np.sum(dZ3, axis=1, keepdims = True)
    
    dA2 = np.dot(W3.T, dZ3)
    dZ2 = np.multiply(dA2, np.int64(A2 > 0))
#     dW2 = 1./m * np.dot(dZ2, A1.T) * 2    #  Should not multiply by 2
    dW2 = 1. / m * np.dot(dZ2, A1.T)
    db2 = 1./m * np.sum(dZ2, axis=1, keepdims = True)
    
    dA1 = np.dot(W2.T, dZ2)
    dZ1 = np.multiply(dA1, np.int64(A1 > 0))
    dW1 = 1./m * np.dot(dZ1, X.T)
#     db1 = 4./m * np.sum(dZ1, axis=1, keepdims = True)    #  Should not multiply by 4
    db1 = 1. / m * np.sum(dZ1, axis=1, keepdims=True)
    
    gradients = {"dZ3": dZ3, "dW3": dW3, "db3": db3,
                 "dA2": dA2, "dZ2": dZ2, "dW2": dW2, "db2": db2,
                 "dA1": dA1, "dZ1": dZ1, "dW1": dW1, "db1": db1}
    
    return gradients

您在欺诈检测测试集上获得了一些结果，但是您对您的模型没有100%的把握。没有人是完美的！让我们实现梯度检查来验证您的梯度是否正确。

梯度校验是如何工作的？如1)和2)中一样

我们还使用 gradients_to_vector() 将 "gradients" 字典转换成向量 "grad" 。你不用担心这个。

练习:实现 gradient_check_n().

说明:这里是伪代码，将帮助您实现梯度检查。

# GRADED FUNCTION: gradient_check_n

def gradient_check_n(parameters, gradients, X, Y, epsilon = 1e-7):
    """
    检查backward_propagation_n是否正确计算forward_propagation_n输出的成本梯度

    参数：
        parameters - 包含参数“W1”，“b1”，“W2”，“b2”，“W3”，“b3”的python字典：
        grad_output_propagation_n的输出包含与参数相关的成本梯度。
        x  - 输入数据点，维度为（输入节点数量，1）
        y  - 标签
        epsilon  - 计算输入的微小偏移以计算近似梯度

    返回：
        difference - 近似梯度和后向传播梯度之间的差异
    """
    
    # Set-up variables
    parameters_values, _ = dictionary_to_vector(parameters)
    grad = gradients_to_vector(gradients)
    num_parameters = parameters_values.shape[0]
    J_plus = np.zeros((num_parameters, 1))
    J_minus = np.zeros((num_parameters, 1))
    gradapprox = np.zeros((num_parameters, 1))
    
    # 计算 gradapprox
    for i in range(num_parameters):
        
        # 计算 J_plus[i]. Inputs: "parameters_values, epsilon". Output = "J_plus[i]".
        # "_" is used because the function you have to outputs two parameters but we only care about the first one
        ### START CODE HERE ### (approx. 3 lines)
        thetaplus = np.copy(parameters_values)                                     # Step 1
        thetaplus[i][0] = thetaplus[i][0] + epsilon                                 # Step 2
        J_plus[i], _ = forward_propagation_n(X,Y,vector_to_dictionary(thetaplus))                                   # Step 3
        ### END CODE HERE ###
        
        # 计算 J_minus[i]. Inputs: "parameters_values, epsilon". Output = "J_minus[i]".
        ### START CODE HERE ### (approx. 3 lines)
        thetaminus = np.copy(parameters_values)                                    # Step 1
        thetaminus[i][0] =thetaminus[i][0] - epsilon                            # Step 2        
        J_minus[i], _ = forward_propagation_n(X,Y,vector_to_dictionary(thetaminus))                                 # Step 3
        ### END CODE HERE ###
        
        # 计算 gradapprox[i]
        ### START CODE HERE ### (approx. 1 line)
        gradapprox[i] = (J_plus[i] - J_minus[i]) / (2 * epsilon)
        ### END CODE HERE ###
    
    # 通过计算差异比较gradapprox和后向传播梯度
    ### START CODE HERE ### (approx. 1 line)
    numerator = np.linalg.norm(grad - gradapprox)                                          # Step 1'
    denominator = np.linalg.norm(grad) + np.linalg.norm(gradapprox)                                          # Step 2'
    difference = numerator / denominator                                           # Step 3'
    ### END CODE HERE ###

    if difference > 2e-7:
        print ("\033[93m" + "There is a mistake in the backward propagation! difference = " + str(difference) + "\033[0m")
    else:
        print ("\033[92m" + "Your backward propagation works perfectly fine! difference = " + str(difference) + "\033[0m")
    
    return difference

测试：

X, Y, parameters = gradient_check_n_test_case()

cost, cache = forward_propagation_n(X, Y, parameters)
gradients = backward_propagation_n(X, Y, cache)
difference = gradient_check_n(parameters, gradients, X, Y)

结果：

Your backward propagation works perfectly fine! difference = 1.1890913023330276e-07

我们给你的反向传播代码似乎有错误！很高兴你已经实现了梯度检查。返回反向传播并尝试查找/纠正错误(提示:检查dW2和db1)。当您认为已经修复渐变检查时，请重新运行它。请记住，如果修改代码，您需要重新执行定义反向传播的单元格。你能通过梯度检查来证明你的导数计算是正确的吗？即使作业的这一部分没有评分，我们强烈建议您尝试找到错误并重新运行梯度检查，直到您确信backprop现在已经正确实现。