- 反向传播的底层原理是数学求导里的链式法则,有空再补充
- 一般讲反向传播都离不开神经网络,然后就得有公式和结构图。OK。
- 公式占坑。
- 结构图:
- 简单的问题容易被复杂的公式和结构图搞的很复杂,作为行动主义者的程序员,上代码。
# -*- coding: utf-8 -*-
import numpy as np
# N is batch size; D_in is input dimension;
# H is hidden dimension; D_out is output dimension.
N, D_in, H, D_out = 64, 1000, 100, 10
# Create random input and output data
x = np.random.randn(N, D_in)
y = np.random.randn(N, D_out)
# Randomly initialize weights
w1 = np.random.randn(D_in, H)
w2 = np.random.randn(H, D_out)
learning_rate = 1e-6
for t in range(500):
# Forward pass: compute predicted y
h = x.dot(w1)
h_relu = np.maximum(h, 0)
y_pred = h_relu.dot(w2)
# Compute and print loss
loss = np.square(y_pred - y).sum()
print(t, loss)
# Backprop to compute gradients of w1 and w2 with respect to loss
grad_y_pred = 2.0 * (y_pred - y)
grad_w2 = h_relu.T.dot(grad_y_pred)
grad_h_relu = grad_y_pred.dot(w2.T)
grad_h = grad_h_relu.copy()
grad_h[h < 0] = 0
grad_w1 = x.T.dot(grad_h)
# Update weights
w1 -= learning_rate * grad_w1
w2 -= learning_rate * grad_w2
代码输出:
0 30881721.849453412
1 26332420.603093866
2 25343611.656898543
...
497 3.244266870193699e-08
498 3.07517018256869e-08
499 2.9149032554917302e-08
代码说明:
- 代码实际是中间包含1个隐层的神经网络,激活函数是relu。
- 反向表现在最终误差的反向传播,最直接的误差能用来更新w2,反向发力后,w1得到了更新,最终整个结构得到完美更新。
所以? 反向传播这么麻烦,要自己搞出求导公式,然后代码实现?网络层数多了,更复杂了可怎么办?==》tensorflow、pytorch都有自动求导。
done!