头歌——机器、深度学习——全连接层和激活函数的反向传播的实现

absths

已于 2024-06-15 21:38:45 修改

阅读量679

点赞数 18

分类专栏：机器学习头歌深度学习文章标签：深度学习人工智能机器学习 python

于 2024-06-15 21:31:42 首次发布

本文链接：https://blog.csdn.net/absths/article/details/139708871

版权

机器学习同时被 3 个专栏收录

18 篇文章 0 订阅

订阅专栏

头歌

17 篇文章 0 订阅

订阅专栏

深度学习

11 篇文章 0 订阅

订阅专栏

第1关：实现全连接层的反向传播

任务描述

本关任务：实现全连接层的反向传播。

编程要求

根据提示，在右侧编辑器 Begin 和 End 之间补充代码，实现全连接层的反向传播。

测试说明

平台会对你编写的代码进行测试，测试方法为：平台会随机产生输入x、权重W、偏置b和输出梯度dout，然后根据你的实现代码，创建一个FullyConnected类的实例，然后利用该实例先进行前向传播计算，再进行反向传播计算。你的答案将并与标准答案进行比较。因为浮点数的计算可能会有误差，因此只要你的答案与标准答案之间的误差不超过10−5即可。

开始你的任务吧，祝你成功！

第1关任务代码

import numpy as np
 
 
class FullyConnected:
    def __init__(self, W, b):
        r'''
        全连接层的初始化。
        Parameter:
        - W: numpy.array, (D_in, D_out)
        - b: numpy.array, (D_out)
        '''
        self.W = W
        self.b = b
        self.x = None
        self.original_x_shape = None
        self.dW = None
        self.db = None
 
    def forward(self, x):
        r'''
        全连接层的前向传播。
        Parameter:
        - x: numpy.array, (B, d1, d2, ..., dk)
        Return:
        - y: numpy.array, (B, M)
        '''
        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):
        r'''
        全连接层的反向传播
        Parameter:
        - dout: numpy.array, (B, M)
        Return:
        - dx: numpy.array, (B, d1, d2, ..., dk) 与self.original_x_shape形状相同
        另外，还需计算以下结果：
        - self.dW: numpy.array, (N, M) 与self.W形状相同
        - self.db: numpy.array, (M,)
        '''
        ########## Begin ##########
        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)
        return dx
        ########## End ##########

第2关：实现常用激活函数的反向传播

任务描述

本关任务：实现常用激活函数的反向传播。

编程要求

根据提示，在右侧编辑器 Begin 和 End 之间补充代码，实现上述激活函数的反向传播。

测试说明

平台会对你编写的代码进行测试，测试方法为：平台会随机产生输入x和输出梯度dout，然后根据你的实现创建一个Sigmoid/ReLU类的实例，然后利用该实例先进行前向传播计算，再进行反向传播计算。你的答案将并与标准答案进行比较。因为浮点数的计算可能会有误差，因此只要你的答案与标准答案之间的误差不超过10−5即可。

开始你的任务吧，祝你成功！

第2关任务代码

import numpy as np
 
 
class Sigmoid:
    def __init__(self):
        self.out = None
 
    def forward(self, x):
        r'''
        Sigmoid激活函数的前向传播。
        Parameter:
        - x: numpy.array, (B, d1, d2, ..., dk)
        Return:
        - y: numpy.array, (B, d1, d2, ..., dk)
        '''
        out = 1. / (1. + np.exp(-x))
        self.out = out
        return out
 
    def backward(self, dout):
        r'''
        sigmoid的反向传播
        Parameter:
        - dout: numpy.array, (B, d1, d2, ..., dk)
        Return:
        - dx: numpy.array, (B, d1, d2, ..., dk)
        '''
        ########## Begin ##########
        dx = dout * (1.0 - self.out) * self.out
        return dx
        ########## End ##########
 
 
class Relu:
    def __init__(self):
        self.mask = None
 
    def forward(self, x):
        r'''
        ReLU激活函数的前向传播。
        Parameter:
        - x: numpy.array, (B, d1, d2, ..., dk)
        Return:
        - y: numpy.array, (B, d1, d2, ..., dk)
        '''
        self.mask = (x <= 0)
        out = x.copy()
        out[self.mask] = 0
        return out
 
    def backward(self, dout):
        r'''
        relu的反向传播
        Parameter:
        - dout: numpy.array, (B, d1, d2, ..., dk)
        Return:
        - dx: numpy.array, (B, d1, d2, ..., dk)
        '''
        ########## Begin ##########
        dout[self.mask] = 0
        dx = dout
        return dx
        ########## End ##########