【人工智能-作业3：例题程序复现 PyTorch版】

1使用pytorch复现课上例题。
2对比【作业3】和【作业2】的程序，观察两种方法结果是否相同？如果不同，哪个正确？
3【作业2】程序更新（保留【作业2中】的错误答案，留作对比。新程序到作业3。）
4对比【作业2】与【作业3】的反向传播的实现方法。总结并陈述。
5激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。
6激活函数Sigmoid改变为Relu，观察、总结并陈述。
7损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。
8损失函数MSE改变为交叉熵，观察、总结并陈述。
9改变步长，训练次数，观察、总结并陈述。
10权值w1-w8初始值换为随机数，对比【作业2】指定权值结果，观察、总结并陈述。
11全面总结反向传播原理和编码实现，认真写心得体会。

1 ​​​​​​使用pytorch复现课上例题

参考代码：

 
import torch
 
x1, x2 = torch.Tensor([0.5]), torch.Tensor([0.3])
y1, y2 = torch.Tensor([0.23]), torch.Tensor([-0.07])
print("=====输入值：x1, x2；真实输出值：y1, y2=====")
print(x1, x2, y1, y2)
w1, w2, w3, w4, w5, w6, w7, w8 = 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
w1.requires_grad = True
w2.requires_grad = True
w3.requires_grad = True
w4.requires_grad = True
w5.requires_grad = True
w6.requires_grad = True
w7.requires_grad = True
w8.requires_grad = True
 
 
def sigmoid(z):
    a = 1 / (1 + torch.exp(-z))
    return a
 
 
def forward_propagate(x1, x2):
    in_h1 = w1 * x1 + w3 * x2
    out_h1 = sigmoid(in_h1)  # out_h1 = torch.sigmoid(in_h1)
    in_h2 = w2 * x1 + w4 * x2
    out_h2 = sigmoid(in_h2)  # out_h2 = torch.sigmoid(in_h2)
 
    in_o1 = w5 * out_h1 + w7 * out_h2
    out_o1 = sigmoid(in_o1)  # out_o1 = torch.sigmoid(in_o1)
    in_o2 = w6 * out_h1 + w8 * out_h2
    out_o2 = sigmoid(in_o2)  # out_o2 = torch.sigmoid(in_o2)
 
    print("正向计算：o1 ,o2")
    print(out_o1.data, out_o2.data)
 
    return out_o1, out_o2
 
 
def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = (1 / 2) * (y1_pred - y1) ** 2 + (1 / 2) * (y2_pred - y2) ** 2  # 考虑 ： t.nn.MSELoss()
    print("损失函数（均方误差）：", loss.item())
    return loss
 
 
def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 步长
    step = 1
    w1.data = w1.data - step * w1.grad.data
    w2.data = w2.data - step * w2.grad.data
    w3.data = w3.data - step * w3.grad.data
    w4.data = w4.data - step * w4.grad.data
    w5.data = w5.data - step * w5.grad.data
    w6.data = w6.data - step * w6.grad.data
    w7.data = w7.data - step * w7.grad.data
    w8.data = w8.data - step * w8.grad.data
    w1.grad.data.zero_()  # 注意：将w中所有梯度清零
    w2.grad.data.zero_()
    w3.grad.data.zero_()
    w4.grad.data.zero_()
    w5.grad.data.zero_()
    w6.grad.data.zero_()
    w7.grad.data.zero_()
    w8.grad.data.zero_()
    return w1, w2, w3, w4, w5, w6, w7, w8
 
 
if __name__ == "__main__":
 
    print("=====更新前的权值=====")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)
 
    for i in range(1):
        print("=====第" + str(i) + "轮=====")
        L = loss_fuction(x1, x2, y1, y2) # 前向传播，求 Loss，构建计算图
        L.backward()  # 自动求梯度，不需要人工编程实现。反向传播，求出计算图中所有梯度存入w中
        print("\tgrad W: ", round(w1.grad.item(), 2), round(w2.grad.item(), 2), round(w3.grad.item(), 2),
              round(w4.grad.item(), 2), round(w5.grad.item(), 2), round(w6.grad.item(), 2), round(w7.grad.item(), 2),
              round(w8.grad.item(), 2))
        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")
    print(w1.data, w2.data, w3.data, w4.data, w5.data, w6.data, w7.data, w8.data)

​

运行结果：

 

2.对比【作业3】 和【作业2】的程序，观察两种方法结果是否相同？如果不同，哪个正确？

对比发现两种方法和结果不同，作业3的正确

3【作业2】程序更新（保留【作业2中】的错误答案，留作对比。新程序到作业3。）

import numpy as np
 
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：o1 ,o2")
    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")
    print(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
    # print(round(d_o1, 2), round(d_o2, 2))
 
    d_w5 = d_o1 * out_o1 * (1 - out_o1) * out_h1
    d_w7 = d_o1 * out_o1 * (1 - out_o1) * out_h2
    # print(round(d_w5, 2), round(d_w7, 2))
    d_w6 = d_o2 * out_o2 * (1 - out_o2) * out_h1
    d_w8 = d_o2 * out_o2 * (1 - out_o2) * out_h2
    # print(round(d_w6, 2), round(d_w8, 2))
 
    d_w1 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x1
    d_w3 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x2
    # print(round(d_w1, 2), round(d_w3, 2))
 
    d_w2 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x1
    d_w4 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x2
    # print(round(d_w2, 2), round(d_w4, 2))
    print("反向传播：误差传给每个权值")
    print(round(d_w1, 5), round(d_w2, 5), round(d_w3, 5), round(d_w4, 5), round(d_w5, 5), round(d_w6, 5),
          round(d_w7, 5), round(d_w8, 5))
 
    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 = 5
    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__":
    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：x1, x2；真实输出值：y1, y2=====")
    print(x1, x2, y1, y2)
    print("=====更新前的 权值=====")
    print(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(1000):
        print("=====第" + str(i) + "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")
    print(round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))

4.对比【作业2】与【作业3】的反向传播的实现方法。总结并陈述。

就梯度的含义做了直观的说明，它们是如何在网络中回流的，知道了它们是如何与网络的不同部分通信并控制其升高或者降低，并使得最终输出值更高的。

5激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。

sigmoid实现为torch .sigmoid()函数求导容易，单调连续，输出范围有限，优化稳定，可以用作输出层。

6激活函数Sigmoid改变为Relu，观察、总结并陈述。

Relu函数数学表达式为：

f(x)=max(0,x)={x  , x≥00  , x<0f ( x ) = max ( 0 , x ) = { x     ,   x ≥ 0 0     ,   x < 0

prelu = torch.nn.PReLU(num_parameters=1)
x = torch.range(-5., 5., 0.1)
y = prelu(x)

对Relu的改进，给负数区域一个很小的输出，不让其置0，从某种程度上避免了使部分神经元死掉的问题。Relu可以使网络更快速地收敛，在正区域(x>0)梯度为1，不会饱和.

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

 

loss_fn1 = torch.nn.MSELoss(reduction='none')
loss1 = loss_fn1(a.float(), b.float())
print(loss1)

因为一般损失函数都是直接计算 batch 的数据，因此返回的 loss 结果都是维度为 (batch_size, ) 的向量。

8 损失函数MSE改变为交叉熵，观察、总结并陈述

损失函数的选取取决于输入标签数据的类型，如果输入的是实数、无界的值，损失函数使用平方差；如果输入标签是位矢量（分类标签），使用交叉熵会更合适。

9改变步长，训练次数，观察、总结并陈述。

在现有条件上选择最能满足当前问题的步长，步长减小时尽管精度增加，更不易出现发散错误，但是迭代次数要增加。

迭代次数决定了我们在现有步长，dx的条件下能达到多小的误差，在迭代次数增加到一定程度后，这个误差受制于其他因素，不会再减小。

10权值w1-w8初始值换为随机数，对比【作业2】指定权值结果，观察、总结并陈述。

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

11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（BP)，是一种与最优化方法（如梯度下降法）结合使用的，用来训练人工神经网络的常见方法。它的基本思想为：先计算每一层的状态和激活值，直到最后一层（即信号是前向传播的）；计算每一层的误差，误差的计算过程是从最后一层向前推进的（即误差是反向传播的）；计算每个神经元连接权重的梯度；根据梯度下降法则更新参数（目标是误差变小）。迭代以上步骤，直到满足停止准则（比如相邻两次迭代的误差的差别很小）。

这张图总结了反向传播方法的机能。输入层接收x，使用权重w对输入进行建模，每个隐藏层计算输出，数据在输出层准备就绪，实际输出和期望输出之间的差异称为误差，返回隐藏层并调整权重，以便在以后的运行中减少此错误，这个过程一直重复，直到得到所需的输出。
 

参考资料：

对简单梯度下降方法的分析

pytorch的nn.MSELoss损失函数

PyTorch自带函数 t.nn.MSELoss()