人工智能-作业3：例题程序复现 PyTorch版

例题

通过反向传播优化权值 $w_1$, $w_2$, … $w_8$
输入值：$x_1$ = 0.5, $x_2$ = 0.3
输出值：$y_1$ = 0.23, $y_2$ = -0.07
激活函数全部为 $Sigmoid$ 函数
损失函数：MSE
初始权值：0.2, -0.4, 0.5, 0.6, 0.1, -0.5, -0.3, 0.8;

使用Pytorch实现

代码： 代码来源

# https://blog.csdn.net/qq_41033011/article/details/109325070
# https://github.com/Darwlr/Deep_learning/blob/master/06%20Pytorch%E5%AE%9E%E7%8E%B0%E5%8F%8D%E5%90%91%E4%BC%A0%E6%92%AD.ipynb
# torch.nn.Sigmoid(h_in)
 
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)

结果分析

1. 对比 【作业2】与【作业3】的程序，观察两种方法运行结果是否相同？

作业2运行结果：

作业3运行结果：

从运行结果来看，【作业2】与【作业3】的运行结果是不同的，【作业2】的运行结果是错误的。

2. 【作业2】程序更新

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(1):
        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))

运行结果：

3. 对比【作业2】与【作业3】的反向传播的实现方法。总结并陈述

【作业2】中反向传播实现的方法为：

1. 首先正向传播
   计算隐藏层神经元 $h_1$ 和 $h_2$的输入与输出
   $$I{n}_{h_1}=w_1\ast x_1+w_3\ast x_2$$ $$h_1=Ou{t}_{h_1}=Sigmoid(I{n}_{h_1})$$
   $$I{n}_{h_2}=w_2\ast x_1+w_4\ast x_2$$ $$h_2=Ou{t}_{h_2}=Sigmoid(I{n}_{h_2})$$
   计算输出层$o_1$ 和 $o_2$的带权输入与输出
   $$I{n}_{o_1}=w_5\ast h_1+w_7\ast h_2$$ $$o_1=Ou{t}_{o_1}=Sigmoid(I{n}_{o_1})$$
   $$I{n}_{o_2}=w_6\ast h_1+w_8\ast h_2$$ $$o_2=Ou{t}_{o_2}=Sigmoid(I{n}_{o_2})$$
   计算误差：
   $$Error=\frac{1}{2}\sum _{i=1}^2(o_i-y_i{)}^2$$

2. 反向传播
   计算梯度：
   计算$w_5$到$w_8$的梯度，以$w_5$为例
   
   计算$w_1$到$w_4$的梯度，以$w_1$为例
   

3. 更新权值
   $$w_i^{{}^{\prime }}=w_i-\eta \ast {\delta }_i$$
   【作业3】中反向传播实现的方法：
   通过调用现成框架中的函数

   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
   

4. 激活函数Sigmoid使用PyTorch自带函数torch.sigmoid(), 观察，总结。

PyTorch中定义的sigmoid的函数：

将代码中使用sigmoid函数的部分全部换成使用PyTorch中的sigmoid函数：

运行结果：

并未看到结果有什么变化啊~ 不太懂，应该没什么区别吧。。。

5. 激活函数Sigmoid改变为Relu，观察、总结并陈述。

将激活函数全部变为Relu，Relu使用PyTorch自带的torch.relu()函数~

运行结果：

ReLU激活函数是一个简单的计算，如果输入大于0，直接返回作为输入提供的值；如果输入是0或更小，返回值0。
Sigmoid 激活函数需要使用指数计算， 而ReLU只需要max()，因此他计算上更简单，计算成本也更低。
ReLU看起来更像一个线性函数，一般来说，当神经网络的行为是线性或接近线性时，它更容易优化。
这个特性的关键在于，使用这个激活函数进行训练的网络几乎完全避免了梯度消失的问题，因为梯度仍然与节点激活成正比。

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

torch.nn.MSELoss()核心代码：

将损失函数替换为torch.nn.MSELoss()函数：

运行结果：

MSE是mean squared error的缩写，即平均平方误差，简称均方误差。
旧版的nn.MSELoss()函数有reduce、size_average两个参数，新版的只有一个reduction参数了，功能是一样的。reduction的意思是维度要不要缩减，以及怎么缩减，有三个选项：

‘none’: no reduction will be applied.
‘mean’: the sum of the output will be divided by the number of elements in the output.
‘sum’: the output will be summed.
如果不设置reduction参数，默认是’mean’。

7. 损失函数MSE改变为交叉熵，观察、总结并陈述。

将损失函数变为交叉熵：

运行结果：

8. 改变步长，训练次数，观察、总结并陈述。

将步长改为5，训练次数改为10次：

将步长改为10， 训练次数改为100次：

通过运行结果可以看出，训练次数越多，计算结果越准确，精度越高！

9. 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

将 $w_1$ ~ $w_8$全部变为随机数

训练100次后： 误差变的越来越小了~
交叉熵：

均方误差：

10. 全面总结反向传播原理和编码实现，认真写心得体会

反向传播算法，可以用于优化权值：
主要步骤就是上面所说的那样，说的已经很详细了~
通过不断的将误差后向传播给各个神经元，各个部分分摊误差，然后再进行权值的修正，大概就是这样吧~
经过这两周对反向传播算法的学习，可以说完全理解了反向传播的原理，代码也比较熟悉了，提升了自己对Python的熟练度，还是挺难的！
好好学习，天天向上！

参考资料：
原来ReLU这么好用！一文带你深度了解ReLU激活函数！
pytorch的nn.MSELoss损失函数
反向传播算法详细计算过程与结论公式
torch.nn.CrossEntropyLoss()用法
torch之随机数生成
一文读懂反向传播算法原理