**
4-7-7 Sigmoid函数及其梯度 (35 分)
**
为了方便表述,对于作用于矩阵的激活函数,本文中如果无特殊说明,表示它分别作用于矩阵的每个元素,即f(X)i,j=f(Xi,j)。
如果没有非线性函数作为激活函数,那么无论多层感知机(MLP)有多少层,都相当于没有隐藏层。比如,具有一个隐藏层的多层感知机y=f2(f1(X×A)×B),如果f1(x)=kx+b,即它是一个线性函数,我们将其带入公式中可以得到y=f2((kX×A+b×1)×B)=f2(kX×A×B+b×1×B),其中1表示所有元素都是1的矩阵。令C=kA×B,c¯=b×1×B,那么y=f2(X×C+c¯),显然又变成了单层神经网络,网络的表达能力被大大的削弱了,由此可见非线性激活函数对于神经网络的重要性。
最经典的激活函数莫过于Sigmoid函数σ(x)=1/(1+exp(−x)),它在x=0附近从0到1剧烈变化,通常用于0-1分类任务。它的导函数也十分容易求得,请你自己推导。
Sigmoid函数图形,来自Wikipedia - Sigmoid function
现在给出矩阵A∈Rm×n和矩阵B∈Rn×p,记它们的积为C=AB,求σ©以及它分别对C、A、B的梯度∇Cσ、∇Aσ、∇Bσ。
输入格式:
第一行给出三个整数m,n和p,均不大于102。然后跟随着一个空行。
随后m行以行主序给出矩阵A中的元素,每行n个元素,元素间用空格分隔。然后跟随着一个空行。
随后n行以行主序给出矩阵B中的元素,每行p个元素,元素间用空格分隔。
输出格式:
首先输出作用Sigmoid函数后的乘积矩阵σ©,共m行,每行p个元素, 每个元素间后都紧随着一个空格,每行以换行结尾。最后额外输出一个空行。
然后输出矩阵∇Cσ,共m行,每行p个元素, 每个元素间后都紧随着一个空格,每行以换行结尾。最后额外输出一个空行。
接着输出矩阵∇Aσ,共m行,每行n个元素, 每个元素间后都紧随着一个空格,每行以换行结尾。最后额外输出一个空行。
最后输出矩阵∇Bσ,共n行,每行p个元素, 每个元素间后都紧随着一个空格,每行以换行结尾。最后额外输出一个空行。
输出元素均保留小数点后2位。
输入样例:
2 2 3
0.1 0.2
-0.3 0.4
1 2 3
3 2 1
输出样例:
0.67 0.65 0.62
0.71 0.55 0.38
0.22 0.23 0.24
0.21 0.25 0.24
1.38 1.36
1.41 1.35
-0.04 -0.05 -0.05
0.13 0.14 0.14
代码(C++):
#include <iostream>
#include <iomanip>
#include <math.h>
using namespace std;
double **MatrixTranspose(double **a, int m, int n) { //矩阵转置
double **x;
x = new double*[n]; //分配行储存空间
for (int i = 0; i < n; i++) {
*(x + i) = new double[m]; //分配列储存空间
}
for (int i = 0; i < m; i++) {
for (int j = 0; j < n; j++) {
//cout << "a[" << i << "][" << j << "]" << a[i][j] << " ";
x[j][i] = a[i][j];
}
}
cout << endl;
return x;
}
double **MatrixMultiplication(double **a, double **b, int m, int n, int p) { //矩阵乘法
//第一个矩阵m * n 第二个矩阵 n*p 结果 m*p
double **x;
x = new double*[m]; //分配行储存空间
for (int i = 0; i < m; i++) {
*(x + i) = new double[p]; //分配列储存空间
}
double sum = 0;
for (int i = 0; i < m; i++) { //控制行
for (int k = 0; k < p; k++) { //控制列
sum = 0;
for (int j = 0; j < n; j++) { //运算部
//cout << "a[" << i << "][" << j << "]" << a[i][j] << " ";
//cout << "b[" << j << "][" << k << "]" << b[j][k] << " ";
sum = sum + a[i][j] * b[j][k];
}
x[i][k] = sum;
//cout << x[i][k]<<endl;
}
}
return x;
}
double **Derivation(double **a, int m, int n) { //激活函数Sigmoid的导数代入
double **x;
x = new double*[m]; //分配行储存空间
for (int i = 0; i < m; i++) {
*(x + i) = new double[n]; //分配列储存空间
for (int j = 0; j < n; j++) {
double t = 1.0 / (1 + exp(-a[i][j])); //Sigmoid函数σ(x)= 1.0/(1+exp(-x)) exp(-x) => e的-x次方
x[i][j] = t * (1 - t); //Sigmoid函数的导数= σ(x)*(1-σ(x))
}
}
return x;
}
double **Gradient(double **a, int m, int n) {
double **x;
x = new double*[m]; //分配行储存空间
for (int i = 0; i < m; i++) {
*(x + i) = new double[n]; //分配列储存空间
for (int j = 0; j < n; j++) {
x[i][j] = 1.0 / (1 + exp(-a[i][j])); //Sigmoid函数σ(x)= 1.0/(1+exp(-x)) exp(-x) => e的-x次方
}
}
return x;
}
int main()
{
int m, n, p;
cin >> m >> n >> p; //存入m,n,p
double **a, **b, **c, **d; //a(大小) : m x n b(大小) : n x p c = a x b (大小) : m x p d是c带入激活函数后的矩阵
a = new double*[m]; //分配行储存空间
for (int i = 0; i < m; i++) {
*(a + i) = new double[n]; //分配列储存空间
for (int j = 0; j < n; j++) {
cin >> a[i][j]; //存入a矩阵
}
}
b = new double*[n]; //分配行储存空间
for (int i = 0; i < n; i++) {
*(b + i) = new double[p]; //分配列储存空间
for (int j = 0; j < p; j++) {
cin >> b[i][j]; //存入b矩阵
}
}
c = MatrixMultiplication(a, b, m, n, p); //c = a x b 矩阵乘法
d = Gradient(c, m, p); //d = Sigmoid函数σ(x)= 1.0/(1+exp(-x)) 将c矩阵的每一个值代入计算
for (int i = 0; i < m; i++) {
for (int j = 0; j < p; j++) {
cout << fixed << setprecision(2) << d[i][j] << " "; //输出运算结果
}cout << endl;
}
cout << endl;
double **cD = Derivation(c, m, p); //计算c的梯度 => 将c的值带入 Sigmoid函数的导函数中
for (int i = 0; i < m; i++) {
for (int j = 0; j < p; j++) {
cout << fixed << setprecision(2) << cD[i][j] << " "; //输出运算结果
}cout << endl;
}
double **bT = MatrixTranspose(b, n, p); //b的转置
double **dbT = MatrixMultiplication(cD, bT, m, p, n); //σ(C)对a的梯度等于 = σ(C)*b的转置(参考PTA4-7-5题)
for (int i = 0; i < m; i++) {
for (int j = 0; j < n; j++) {
cout << fixed << setprecision(2) << dbT[i][j] << " "; //输出运算结果
}cout << endl;
}
double **aT = MatrixTranspose(a, m, n); //b的转置
double **daT = MatrixMultiplication(aT, cD, n, m , p); //σ(C)对b的梯度等于 = σ(C)*a的转置(参考PTA4-7-5题)
for (int i = 0; i < n; i++) {
for (int j = 0; j < p; j++) {
cout << fixed << setprecision(2) << daT[i][j] << " "; //输出运算结果
}cout << endl;
}
}