NNDL 作业3：分别使用numpy和pytorch实现FNN例题

最新推荐文章于 2024-08-02 23:48:48 发布
最新推荐文章于 2024-08-02 23:48:48 发布
阅读量243 收藏
点赞数 2
文章标签： numpy pytorch python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/abc84986565/article/details/127142592
版权

目录

过程推导 - 了解BP原理

数值计算 - 手动计算，掌握细节

代码实现 - numpy手推 + pytorch自动

1、对比【numpy】和【pytorch】程序，总结并陈述。

numpy程序

pytorch程序

2、激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。

3、激活函数Sigmoid改变为Relu，观察、总结并陈述。

4、损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。

5、损失函数MSE改变为交叉熵，观察、总结并陈述。

6、改变步长，训练次数，观察、总结并陈述

7、权值w1-w8初始值换为随机数，对比“指定权值”的结果，观察、总结并陈述。

8、权值w1-w8初始值换为0，观察、总结并陈述。

9、全面总结反向传播原理和编码实现，认真写心得体会。

参考文献：

过程推导 - 了解BP原理

因为上学期学过机器学习，对西瓜书比较了解，下图是周志华老师的西瓜书上边关于bp原理的说明，

数值计算 - 手动计算，掌握细节

下边带上自己手写的推导 

代码实现 - numpy手推 + pytorch自动

1、对比【numpy】和【pytorch】程序，总结并陈述。

numpy程序


import numpy as np

w1, w2, w3, w4, w5, w6, w7, w8 = 0.2, -0.4, 0.5, 0.6, 0.1, -0.5, -0.3, 0.8
x1, x2 = 0.5, 0.3
y1, y2 = 0.23, -0.07
print("输入值 x0, x1:", x1, x2)
print("输出值 y0, y1:", y1, y2)


def sigmoid(z):
    a = 1 / (1 + np.exp(-z))
    return a


def forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)

    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)

    print("正向计算，隐藏层h1 ,h2：", end="")
    print(round(out_h1, 5), round(out_h2, 5))
    print("正向计算，预测值o1 ,o2：", end="")
    print(round(out_o1, 5), round(out_o2, 5))

    error = (1 / 2) * (out_o1 - y1) ** 2 + (1 / 2) * (out_o2 - y2) ** 2

    print("损失函数(均方误差)：",round(error, 5))

    return out_o1, out_o2, out_h1, out_h2


def back_propagate(out_o1, out_o2, out_h1, out_h2):
    # 反向传播
    d_o1 = out_o1 - y1
    d_o2 = out_o2 - y2

    d_w5 = d_o1 * out_o1 * (1 - out_o1) * out_h1
    d_w7 = d_o1 * out_o1 * (1 - out_o1) * out_h2
    d_w6 = d_o2 * out_o2 * (1 - out_o2) * out_h1
    d_w8 = d_o2 * out_o2 * (1 - out_o2) * out_h2

    d_w1 = (d_o1 * out_h1 * (1 - out_h1) * w5 + d_o2 * out_o2 * (1 - out_o2) * w6) * out_h1 * (1 - out_h1) * x1
    d_w3 = (d_o1 * out_h1 * (1 - out_h1) * w5 + d_o2 * out_o2 * (1 - out_o2) * w6) * out_h1 * (1 - out_h1) * x2
    d_w2 = (d_o1 * out_h1 * (1 - out_h1) * w7 + d_o2 * out_o2 * (1 - out_o2) * w8) * out_h2 * (1 - out_h2) * x1
    d_w4 = (d_o1 * out_h1 * (1 - out_h1) * w7 + d_o2 * out_o2 * (1 - out_o2) * w8) * out_h2 * (1 - out_h2) * x2

    print("w的梯度:",round(d_w1, 2), round(d_w2, 2), round(d_w3, 2), round(d_w4, 2), round(d_w5, 2), round(d_w6, 2),
          round(d_w7, 2), round(d_w8, 2))

    return d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8


def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 1
    w1 = w1 - step * d_w1
    w2 = w2 - step * d_w2
    w3 = w3 - step * d_w3
    w4 = w4 - step * d_w4
    w5 = w5 - step * d_w5
    w6 = w6 - step * d_w6
    w7 = w7 - step * d_w7
    w8 = w8 - step * d_w8
    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":

    print("权值w0-w7:",round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))


    for i in range(5):
        print("=====第" + str(i+1) + "轮=====")
        out_o1, out_o2, out_h1, out_h2 = forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8)
        d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8 = back_propagate(out_o1, out_o2, out_h1, out_h2)
        w1, w2, w3, w4, w5, w6, w7, w8 = update_w(w1, w2, w3, w4, w5, w6, w7, w8)

    print("更新后的权值w:",round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))

输入值 x0, x1: 0.5 0.3
输出值 y0, y1: 0.23 -0.07
权值w0-w7: 0.2 -0.4 0.5 0.6 0.1 -0.5 -0.3 0.8
=====第1轮=====
正向计算，隐藏层h1 ,h2：0.56218 0.495
正向计算，预测值o1 ,o2：0.47695 0.5287
损失函数(均方误差)： 0.20971
w的梯度: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=====第2轮=====
正向计算，隐藏层h1 ,h2：0.56359 0.49285
正向计算，预测值o1 ,o2：0.46853 0.50721
损失函数(均方误差)： 0.19503
w的梯度: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=====第3轮=====
正向计算，隐藏层h1 ,h2：0.56524 0.49104
正向计算，预测值o1 ,o2：0.46042 0.48642
损失函数(均方误差)： 0.18135
w的梯度: -0.01 0.01 -0.01 0.01 0.03 0.08 0.03 0.07
=====第4轮=====
正向计算，隐藏层h1 ,h2：0.5671 0.48954
正向计算，预测值o1 ,o2：0.45261 0.46642
损失函数(均方误差)： 0.16865
w的梯度: -0.01 0.01 -0.01 0.0 0.03 0.08 0.03 0.07
=====第5轮=====
正向计算，隐藏层h1 ,h2：0.56913 0.48832
正向计算，预测值o1 ,o2：0.44506 0.44726
损失函数(均方误差)： 0.1569
w的梯度: -0.01 0.01 -0.01 0.0 0.03 0.07 0.03 0.06
更新后的权值w: 0.25 -0.44 0.53 0.57 -0.06 -0.89 -0.44 0.46

进程已结束，退出代码为 0

pytorch程序


import torch

x = [0.5, 0.3]  # x0, x1 = 0.5, 0.3
y = [0.23, -0.07]  # y0, y1 = 0.23, -0.07
print("输入值 x0, x1:", x[0], x[1])
print("输出值 y0, y1:", y[0], y[1])
w = [torch.Tensor([0.2]), torch.Tensor([-0.4]), torch.Tensor([0.5]), torch.Tensor(
    [0.6]), torch.Tensor([0.1]), torch.Tensor([-0.5]), torch.Tensor([-0.3]), torch.Tensor([0.8])]  # 权重初始值
for i in range(0, 8):
    w[i].requires_grad = True
print("权值w0-w7:")
for i in range(0, 8):
    print(w[i].data, end="  ")


def forward_propagate(x):  # 计算图
    in_h1 = w[0] * x[0] + w[2] * x[1]
    out_h1 = torch.sigmoid(in_h1)
    in_h2 = w[1] * x[0] + w[3] * x[1]
    out_h2 = torch.sigmoid(in_h2)

    in_o1 = w[4] * out_h1 + w[6] * out_h2
    out_o1 = torch.sigmoid(in_o1)
    in_o2 = w[5] * out_h1 + w[7] * out_h2
    out_o2 = torch.sigmoid(in_o2)

    print("正向计算，隐藏层h1 ,h2：", end="")
    print(out_h1.data, out_h2.data)
    print("正向计算，预测值o1 ,o2：", end="")
    print(out_o1.data, out_o2.data)

    return out_o1, out_o2


def loss(x, y):  # 损失函数
    y_pre = forward_propagate(x)  # 前向传播
    loss_mse = (1 / 2) * (y_pre[0] - y[0]) ** 2 + (1 / 2) * (y_pre[1] - y[1]) ** 2  # 考虑 ： t.nn.MSELoss()
    print("损失函数(均方误差)：", loss_mse.item())
    return loss_mse


if __name__ == "__main__":
    for k in range(1):
        print("\n=====第" + str(k+1) + "轮=====")
        l = loss(x, y)  # 前向传播，求 Loss，构建计算图
        l.backward()  # 反向传播，求出计算图中所有梯度存入w中. 自动求梯度，不需要人工编程实现。
        print("w的梯度: ", end="  ")
        for i in range(0, 8):
            print(round(w[i].grad.item(), 2), end="  ")  # 查看梯度
        step = 1  # 步长
        for i in range(0, 8):
            w[i].data = w[i].data - step * w[i].grad.data  # 更新权值
            w[i].grad.data.zero_()  # 注意：将w中所有梯度清零
        print("\n更新后的权值w:")
        for i in range(0, 8):
            print(w[i].data, end="  ")


输入值 x0, x1: 0.5 0.3
输出值 y0, y1: 0.23 -0.07
权值w0-w7:
tensor([0.2000])  tensor([-0.4000])  tensor([0.5000])  tensor([0.6000])  tensor([0.1000])  tensor([-0.5000])  tensor([-0.3000])  tensor([0.8000])  
=====第1轮=====
正向计算，隐藏层h1 ,h2：tensor([0.5622]) tensor([0.4950])
正向计算，预测值o1 ,o2：tensor([0.4769]) tensor([0.5287])
损失函数(均方误差)： 0.2097097933292389
w的梯度:   -0.01  0.01  -0.01  0.01  0.03  0.08  0.03  0.07  
更新后的权值w:
tensor([0.2084])  tensor([-0.4126])  tensor([0.5051])  tensor([0.5924])  tensor([0.0654])  tensor([-0.5839])  tensor([-0.3305])  tensor([0.7262])

通过运行结果可以看出numpy和torch运行结果都差不多，运行到最后loss都一样，说明达到最优解。

2、激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。

 out_h1 = torch.sigmoid(in_h1)
    out_h2 = torch.sigmoid(in_h2)

两种激活函数是在对神经元进行非线性处理时候用到，通过对比两个函数，Sigmoid函数和使用Pytorch自带的函数torch.sigmoid()无明显差距。


3、激活函数Sigmoid改变为Relu，观察、总结并陈述。

1轮

输入值 x0, x1: 0.5 0.3
输出值 y0, y1: 0.23 -0.07
权值w0-w7:
tensor([0.2000])  tensor([-0.4000])  tensor([0.5000])  tensor([0.6000])  tensor([0.1000])  tensor([-0.5000])  tensor([-0.3000])  tensor([0.8000])  
=====第1轮=====
正向计算，隐藏层h1 ,h2：tensor([0.2500]) tensor([0.])
正向计算，预测值o1 ,o2：tensor([0.0250]) tensor([0.])
损失函数(均方误差)： 0.023462500423192978
w的梯度:   -0.01  0.0  -0.01  0.0  -0.05  0.0  -0.0  0.0  
更新后的权值w:
tensor([0.2103])  tensor([-0.4000])  tensor([0.5062])  tensor([0.6000])  tensor([0.1513])  tensor([-0.5000])  tensor([-0.3000])  tensor([0.8000])

100轮

=====第100轮=====
正向计算，隐藏层h1 ,h2：tensor([0.4055]) tensor([0.])
正向计算，预测值o1 ,o2：tensor([0.2300]) tensor([0.])
损失函数(均方误差)： 0.0024500000290572643
w的梯度:   -0.0  0.0  -0.0  0.0  -0.0  0.0  0.0  0.0  
更新后的权值w:
tensor([0.4287])  tensor([-0.4000])  tensor([0.6372])  tensor([0.6000])  tensor([0.5672])  tensor([-0.5000])  tensor([-0.3000])  tensor([0.8000])  

500轮
 

正向计算，隐藏层h1 ,h2：tensor([0.4055]) tensor([0.])
正向计算，预测值o1 ,o2：tensor([0.2300]) tensor([0.])
损失函数(均方误差)： 0.0024500000290572643
w的梯度:   -0.0  0.0  -0.0  0.0  -0.0  0.0  0.0  0.0  
更新后的权值w:

1000轮

=====第1000轮=====
正向计算，隐藏层h1 ,h2：tensor([0.4055]) tensor([0.])
正向计算，预测值o1 ,o2：tensor([0.2300]) tensor([0.])
损失函数(均方误差)： 0.0024500000290572643
w的梯度:   -0.0  0.0  -0.0  0.0  -0.0  0.0  0.0  0.0  
更新后的权值w:
tensor([0.4287])  tensor([-0.4000])  tensor([0.6372])  tensor([0.6000])  tensor([0.5672])  tensor([-0.5000])  tensor([-0.3000])  tensor([0.8000])

从上边可以看出

sigmoid激活函数涉及到指数运算，计算量大，并且反向传播求误差梯度时，求导涉及除法，所以运算量的不同会导致上述训练收敛速度的不同。

relu函数计算比sigmoid函数简单，计算速度更快，计算量也比较小。


4、损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。

将激活函数进行修改得到如下代码；

def loss(x, y):  # 损失函数
    y_pre = forward_propagate(x)  # 前向传播
    # loss_mse = (1 / 2) * (y_pre[0] - y[0]) ** 2 + (1 / 2) * (y_pre[1] - y[1]) ** 2  # 考虑 ： t.nn.MSELoss()
    mse = torch.nn.MSELoss()
    loss_mse = mse(torch.tensor(y_pre[0]),torch.tensor(y[0])) + mse(torch.tensor(y_pre[1]),torch.tensor(y[1]))
    print("损失函数(均方误差)：", loss_mse.item())
    return loss_mse

1轮

正向计算：o1 ,o2
tensor([0.4769]) tensor([0.5287])
损失函数（均方误差）： 0.4194195866584778
	grad W:  -0.02 0.03 -0.01 0.02 0.07 0.17 0.06 0.15
更新后的权值
tensor([0.2168]) tensor([-0.4252]) tensor([0.5101]) tensor([0.5849]) tensor([0.0307]) tensor([-0.6677]) tensor([-0.3610]) tensor([0.6523])

50轮

正向计算：o1 ,o2
tensor([0.2376]) tensor([0.0736])
损失函数（均方误差）： 0.02068198285996914
	grad W:  -0.01 -0.0 -0.0 -0.0 0.0 0.01 0.0 0.01
更新后的权值
tensor([0.9834]) tensor([-0.2099]) tensor([0.9701]) tensor([0.7141]) tensor([-0.8661]) tensor([-2.8555]) tensor([-1.0899]) tensor([-1.1204])

100轮

正向计算：o1 ,o2
tensor([0.2280]) tensor([0.0412])
损失函数（均方误差）： 0.012363419868052006
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.0 0.01 -0.0 0.0
更新后的权值
tensor([1.1885]) tensor([-0.1073]) tensor([1.0931]) tensor([0.7756]) tensor([-0.8715]) tensor([-3.3002]) tensor([-1.0941]) tensor([-1.4604])

不难发现激活函数改变了，运行结果也有很大的差异


5、损失函数MSE改变为交叉熵，观察、总结并陈述。

修改激活函数为

def loss_fuction(x1, x2, y1, y2):
    y1_pred, y2_pred = forward_propagate(x1, x2)
    loss_func = torch.nn.CrossEntropyLoss() # 创建交叉熵损失函数
    y_pred = torch.stack([y1_pred, y2_pred], dim=1)
    y = torch.stack([y1, y2], dim=1)
    loss = loss_func(y_pred, y) # 计算
    print("损失函数（交叉熵损失）：", loss.item())
    return loss

1轮

正向计算：o1 ,o2
tensor([0.4769]) tensor([0.5287])
损失函数（交叉熵损失）： 0.11871970444917679
	grad W:  -0.0 0.01 -0.0 0.0 -0.02 0.02 -0.02 0.02
更新后的权值
tensor([0.2028]) tensor([-0.4052]) tensor([0.5017]) tensor([0.5969]) tensor([0.1213]) tensor([-0.5213]) tensor([-0.2812]) tensor([0.7812])

100轮

正向计算：o1 ,o2
tensor([0.8455]) tensor([0.1529])
损失函数（交叉熵损失）： 0.016428470611572266
	grad W:  -0.01 -0.0 -0.0 -0.0 -0.01 0.01 -0.01 0.01
更新后的权值
tensor([0.9026]) tensor([-0.3255]) tensor([0.9216]) tensor([0.6447]) tensor([1.7590]) tensor([-2.1559]) tensor([1.0382]) tensor([-0.5358])

500轮

正向计算：o1 ,o2
tensor([0.9827]) tensor([0.0174])
损失函数（交叉熵损失）： -0.01593960076570511
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.0 0.0 -0.0 0.0
更新后的权值
tensor([1.9505]) tensor([0.3587]) tensor([1.5503]) tensor([1.0552]) tensor([3.3073]) tensor([-3.6951]) tensor([2.2004]) tensor([-1.6912])

有负数的出现


6、改变步长，训练次数，观察、总结并陈述

改变步长为2训练100轮

正向计算：o1 ,o2
tensor([0.9382]) tensor([0.0612])
损失函数（交叉熵损失）： -0.005729638040065765
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.01 0.0 -0.0 0.0
更新后的权值
tensor([1.3933]) tensor([-0.0570]) tensor([1.2160]) tensor([0.8058]) tensor([2.4980]) tensor([-2.8880]) tensor([1.5902]) tensor([-1.0827])

改变步长为5训练100轮

正向计算：o1 ,o2
tensor([0.9827]) tensor([0.0174])
损失函数（交叉熵损失）： -0.015939436852931976
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.0 0.0 -0.0 0.0
更新后的权值
tensor([1.9486]) tensor([0.3483]) tensor([1.5492]) tensor([1.0490]) tensor([3.3190]) tensor([-3.7062]) tensor([2.2093]) tensor([-1.6997])

当训练次数一定时，步长越大，均方误差下降越快，收敛越快。

改变步长为5训练50轮

正向计算：o1 ,o2
tensor([0.9547]) tensor([0.0450])
损失函数（交叉熵损失）： -0.009541265666484833
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.0 0.0 -0.0 0.0
更新后的权值
tensor([1.5416]) tensor([0.0349]) tensor([1.3050]) tensor([0.8610]) tensor([2.7260]) tensor([-3.1141]) tensor([1.7615]) tensor([-1.2526])

改变步长为5训练100轮

正向计算：o1 ,o2
tensor([0.9827]) tensor([0.0174])
损失函数（交叉熵损失）： -0.015939436852931976
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.0 0.0 -0.0 0.0
更新后的权值
tensor([1.9486]) tensor([0.3483]) tensor([1.5492]) tensor([1.0490]) tensor([3.3190]) tensor([-3.7062]) tensor([2.2093]) tensor([-1.6997])

步长一定时，随着训练次数增加，均方误差下降速度也在逐渐降低，收敛速度也下降了。


7、权值w1-w8初始值换为随机数，对比“指定权值”的结果，观察、总结并陈述。

更改初始权重：

w1, w2, w3, w4, w5, w6, w7, w8 =torch.rand(1), torch.rand(1), torch.rand(1), torch.rand(1), torch.rand(
    1),torch.rand(1), torch.rand(1), torch.rand(1)

1轮

正向计算：o1 ,o2
tensor([0.7541]) tensor([0.6021])
损失函数（交叉熵损失）： 0.08856570720672607
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.02 0.02 -0.02 0.02
更新后的权值
tensor([0.9299]) tensor([0.8555]) tensor([0.9413]) tensor([0.7544]) tensor([0.7036]) tensor([0.3886]) tensor([1.0139]) tensor([0.1818])

100轮

正向计算：o1 ,o2
tensor([0.9064]) tensor([0.2066])
损失函数（交叉熵损失）： 0.015541687607765198
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.01 0.01 -0.01 0.01
更新后的权值
tensor([1.1692]) tensor([0.7000]) tensor([0.9344]) tensor([0.1963]) tensor([2.0019]) tensor([-1.2656]) tensor([1.4525]) tensor([-0.7877])

1000轮

正向计算：o1 ,o2
tensor([0.9938]) tensor([0.0069])
损失函数（交叉熵损失）： -0.018397122621536255
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.0 0.0 -0.0 0.0
更新后的权值
tensor([2.2406]) tensor([1.6900]) tensor([1.4354]) tensor([1.3155]) tensor([3.6107]) tensor([-3.2414]) tensor([2.7017]) tensor([-2.9695])

通过改变轮数，可以简单观察到权重的初始化不会影响收敛的结果，只会影响收敛的速度。

8、权值w1-w8初始值换为0，观察、总结并陈述。

更改初始权重：

w1, w2, w3, w4, w5, w6, w7, w8 = torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor(
    [0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0])

1轮

正向计算：o1 ,o2
tensor([0.5000]) tensor([0.5000])
损失函数（交叉熵损失）： 0.1109035536646843
	grad W:  0.0 0.0 0.0 0.0 -0.02 0.02 -0.02 0.02
更新后的权值
tensor([0.]) tensor([0.]) tensor([0.]) tensor([0.]) tensor([0.0188]) tensor([-0.0188]) tensor([0.0188]) tensor([-0.0188])

100轮

正向计算：o1 ,o2
tensor([0.8406]) tensor([0.1594])
损失函数（交叉熵损失）： 0.01783166080713272
	grad W:  -0.01 -0.01 -0.0 -0.0 -0.01 0.01 -0.01 0.01
更新后的权值
tensor([0.4746]) tensor([0.4746]) tensor([0.2848]) tensor([0.2848]) tensor([1.4453]) tensor([-1.4453]) tensor([1.4453]) tensor([-1.4453])

1000轮

正向计算：o1 ,o2
tensor([0.9932]) tensor([0.0068])
损失函数（交叉熵损失）： -0.018344268202781677
	grad W:  -0.0 -0.0 -0.0 -0.0 -0.0 0.0 -0.0 0.0
更新后的权值
tensor([1.7782]) tensor([1.7782]) tensor([1.0669]) tensor([1.0669]) tensor([3.2392]) tensor([-3.2392]) tensor([3.2392]) tensor([-3.2392])

前50轮Loss变大，也就是收敛速度慢，最终1000轮后收敛结果相同，即权重初始值只绘影响网络收敛速度，并不会影响或微小影响网络的收敛结果。

9、全面总结反向传播原理和编码实现，认真写心得体会。

反向传播和编码实现在我上学起的机器学习中就有涉及到，第一遍学习是特别懵的，这一次在接触是很深刻的理解了，同样的还有bp算法。

在激活函数这里，我深刻的理解到了，不同的激活函数变现出来的性能是不一样的，并且激活函数

也有可能出现负数的情况，例如上边。

参考文献：

周志华   《西瓜书》

邱锡鹏   《神经网络与深度学习》

蒂洛洛
关注
  • 2
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
NNDL:神经网络和深度学习课程回购
04-12
作业3： 它包括对点采样的随机梯度下降优化器的实现，该点取自线y = 2 * x + 3的方程式。作业4： 联合碳化物数据集上的随机梯度下降的实现。作业5： 它由微型批次梯度下降优化器的实现组成，该优化器用于对点样本...
NNDL:使用python的梯度下降算法
03-25
本主题将深入探讨如何在Python环境中，结合Jupyter Notebook工具实现梯度下降算法，以便于理解和应用到实际的神经网络模型中。 一、梯度下降算法基础 梯度下降是一种迭代优化算法，用于寻找函数的局部最小值。在...
NNDL-solutions:迈克尔·尼尔森（Michael Nielsen）的《神经网络与深度学习》一书中的练习和问题的解决方案
05-03
迈克尔·尼尔森（Michael Nielsen）的书《 （以及对Python 3和Theano 1.0.3的代码的改编）中的练习和问题的解决方案（数学和代码）。 在这里找到练习和问题的解决方案： 涉及数学： notebooks 涉及代码：以code...
nndl：神经网络和深度学习的另一种中文翻译
02-21
神经网络和深度学习的另一种中文翻译 这是迈克尔·尼尔森（Michael Nielsen）的《另一本（正在进行中的）中文译本，最初是我对这本免费在线书的学习笔记。 它是用LaTeX编写的，以使数学方程式和曲线图具有更好的外观...
锻炼：锻炼nndl
02-26
本次作业需要首先安装anaconda3下载地址 2.0 pytorch> 0.4 锻炼 1.热身练习热身 numpy是Python中对于矩阵处理很实用的工具包，本小节作业主要是熟悉基本的numpy操作。 2.线性回归模型 3.线性模型 支持向量机 Softmax...
【PyTorch】单对象分割项目
Frost_Descent的博客
08-02 489
对象边界通常由二进制掩码定义。通过二进制掩码，可以在图像上覆盖轮廓以勾勒出对象边界。例如以下图片描绘了胎儿的超声图像、胎儿头部的二进制掩码以及覆盖在超声图像上的胎儿头部的图像分割：
第TR3周：Pytorch复现Transformer
lihuhelihu的博客
08-02 694
Transformer可以看作是seq2seq模型的一种，因此，先从seq2seq的角度对Transformer进行宏观结构的学习。下图1先便是Transformer整体结构图，与seq2seq模型类似，Transformer模型结构中的左半部分为编码器，右半部分为解码器，下面我们来一步步拆解Transformer。在某种程度上，可以将Transformer看作是Seq2Seq的一种演变，Transformer可以执行Seq2Seq任务，并且相对于传统的Seq2Seq模型具有更好的性能和可扩展性。
Pytorch代码：打印模型每层的参数数量和总参数量
Never Give Up
07-30 280
【代码】Pytorch代码：打印模型每层的参数数量和总参数量。
transformer代码学习及pytorch函数学习
m0_56487684的博客
07-30 899
pad(tuple)：是指明对该tensor各方位扩充的元素个数（这个元组中的每个数字对应于输入张量的一个维度的填充大小），（pad_left, pad_right, pad_top, pad_bottom, ...）（tips：从内到外表示tensor）tensor([[a,b]],[[c,d]]) 和 tensor([[a,b],[c,d]],[[e,f],[g,h]])形状为(2,1,2)和(2,2,2)的张量当torch.cat()函数中dim = 1时,拼接。在张量的某维度下增加一个额外的维度。
深入学习生成对抗网络 (GAN) — 基于 PyTorch 的实现与优化
2302_80396926的博客
08-02 468
本文介绍了以mnist为例子的生成对抗网络的基本套路
分析为什么在 PyTorch 中，训练好深度神经网络后要使用 model.eval()
叶庭云 成为自己的光
08-02 227
分析为什么在 PyTorch 中，训练好深度神经网络后要使用 model.eval()
在利用 Python 编码和 PyTorch 深度学习框架训练神经网络和实验评估时，如何控制所有可能的随机性？
叶庭云 成为自己的光
08-02 310
在利用 Python 编码和 PyTorch 深度学习框架训练神经网络和实验评估时，如何控制所有可能的随机性？
pytorch: cpu,cuda,tensorRt 推理对比学习
vily_luky的博客
08-02 516
pytorch: cpu,cuda,tensorRt 推理对比 和 bug
跑深度学习模型Ⅱ：一文安装正确pytorch及dgl
qq_46147236的博客
08-02 222
啊每次都是pytorch版本问题引发的一系列错误！nvcc --version 可以看到我的cuda版本是11.8nvidia-smi 查看NVIDIA驱动版本，可以看到我的驱动版本是522.06方法二： 去NVIDIA控制面板，查看本机GPU支持的CUDA版本具体操作：NVADIA的控制面板>帮助>系统信息>组件,可以看到我的版本是CUDA11,选择对应的版本。我的GPU支持11.8的CUDA版本在Pytorch官网中，根据自己的CUDA版本选择，复制安装命令。
PyTorch 训练自定义功能齐全的神经网络模型的详细教程
最新发布
老牛啊
08-02 658
PyTorch 是一个开源的机器学习框架，可以方便地进行神经网络模型训练和推理。本文基于 PyTorch 演示了一个非常简单但是功能齐全的神经网络训练过程，无论模型权重有多大，使用 TyTorch 训练的过程是类似的，期望本文能启到抛砖引玉的作用……
检查当前安装的 PyTorch 和 CUDA 版本，并验证它们是否正常工作
ban102055的博客
08-02 140
这将显示有关你的 NVIDIA 驱动程序和 GPU 的详细信息，包括驱动程序版本、CUDA 版本和 GPU 使用情况等。这将显示当前安装的 CUDA 版本、可用 GPU 的数量以及当前使用的 GPU 设备名称。这将显示 CUDA 编译器驱动的版本信息。
安装 pytorch-lightning 和pytorch
deep_love1314的博客
08-02 62
（2）要注意安装的是什么。
使用PyTorch实现GAN（生成对抗网络）的详细步骤
2302_80396926的博客
08-02 237
本文主要写了用pytorch以MNIST为例子的gan网络的训练
python FNN
09-05
- *2* [NNDL 作业3：分别使用numpy和pytorch实现FNN例题](https://blog.csdn.net/qq_51713698/article/details/127135938)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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