作业3：分别使用numpy和pytorch实现FNN例题

最新推荐文章于 2024-05-20 10:30:38 发布
最新推荐文章于 2024-05-20 10:30:38 发布
阅读量394 收藏 1
点赞数 1
文章标签： numpy pytorch python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_59158839/article/details/127134041
版权

  1. 过程推导 - 了解BP原理
  2. 数值计算 - 手动计算，掌握细节
  3. 代码实现 - numpy手推 + pytorch自动

代码实现：

  1.  对比【numpy】和【pytorch】程序，总结并陈述。
  2. 激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。
  3. 激活函数Sigmoid改变为Relu，观察、总结并陈述。
  4. 损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。
  5. 损失函数MSE改变为交叉熵，观察、总结并陈述。
  6. 改变步长，训练次数，观察、总结并陈述。
  7. 权值w1-w8初始值换为随机数，对比“指定权值”的结果，观察、总结并陈述。
  8. 权值w1-w8初始值换为0，观察、总结并陈述。
  9. 全面总结反向传播原理和编码实现，认真写心得体会。
     

过程推导：

数值计算：

 

 代码实现：

使用numpy实现

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:")
print(x1, x2)
print("输出值 y0, y1:")
print(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:预测值o1 ,o2为")
    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("反向传播：误差传给每个权值", 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 = 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("更新前的权值:",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))

结果：

 使用pytorch实现

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+1) + "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:

 1.对比【numpy】和【pytorch】程序，总结并陈述。

pytorch在神经网络中可以代替numpy，在程序中改变训练轮数两种实验结果依然接近，但pytorch部分结果精确度更高。

训练轮数为10：

numpy:

 pytorch:

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

使用Sigmoid函数和使用Pytorch自带函数torch.sigmoid()没有什么明显差距。

3.激活函数Sigmoid改变为Relu，观察、总结并陈述。

def relu(z):
    return np.maximum(0, z)

（1）Relu函数均方误差降低速度快，收敛速度更优。

（2）Relu函数可以防止梯度弥散。

（3）  Relu函数会输出零值，导致网络稀疏，即稀疏激活性，减少了参数的相互依存关系，缓解了过拟合问题的发生。

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

def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss_func = torch.nn.MSELoss() # 创建损失函数
    y_pred = torch.cat((y1_pred, y2_pred), dim=0) # 将y1_pred, y2_pred合并成一个向量
    y = torch.cat((y1, y2), dim=0) # 将y1, y2合并成一个向量
    loss = loss_func(y_pred, y) # 计算损失
    print("损失函数（均方误差）：", loss.item())
    return loss

训练轮数较低时自带函数和原先函数运行结果相同。

5.损失函数MSE改变为交叉熵，观察、总结并陈述。

def loss_fuction(x1, x2, y1, y2):
    y1_pred, y2_pred = forward_propagate(x1, x2)
    loss_func = torch.nn.CrossEntropyLoss() # 创建交叉熵损失函数
    y_pred = torch.stack([y1_pred, y2_pred], dim=1)
    y = torch.stack([y1, y2], dim=1)
    loss = loss_func(y_pred, y) # 计算
    print("损失函数（交叉熵损失）：", loss.item())
    return loss

 出现负数，可以看出交叉熵损失函数更实用于分类，而不是预测。

6.改变步长，训练次数，观察、总结并陈述。

步长为1：

 

 步长为2：

 步长为1比步长为2训练效果更好。

7.权值w1-w8初始值换为随机数，对比“指定权值”的结果，观察、总结并陈述。

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

训练轮数为1：

训练轮数为10：

可以看出权值的改变，而收敛速度几乎无影响 。

8.权值w1-w8初始值换为0，观察、总结并陈述。

w1, w2, w3, w4, w5, w6, w7, w8 = torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0]), torch.Tensor([0])

 

心得体会：

通过本次实验，我加深了对反向传播算法的理解，以及激活函数，损失函数，步长，训练次数，权值不同对实验结果的影响及其在前馈神经网络中的作用。在神经网络中，pytorch框架可以代替numpy。

cdd04
关注
  • 1
    点赞
  • 踩
  • 1
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
liegroups:使用numpy或pytorch的SO2，SE2，SO3和SE3矩阵李组的Python实现
04-29
说谎者SO2，SE2，SO3和SE3矩阵Lie组的Python实现使用numpy或PyTorch。安装要进行安装，请cd进入存储库目录（带有setup.py目录）并运行： pip install . 或者pip install -e . -e标志告诉pip就地安装软件包，这使您...
NNDL 作业3：分别使用numpy和pytorch实现FNN例题
m0_73478739的博客
10-02 517
NNDL 作业3：分别使用numpy和pytorch实现FNN例题
神经网络与深度学习 作业3：分别使用numpy和pytorch实现FNN例题
weixin_63539289的博客
10-02 476
分别使用numpy和pytorch实现FNN例题
machine-learning:机器学习算法的Numpy，PyTorch和TensorFlow实现
04-04
机器学习 此仓库用于收集我在机器学习模型上的Python实现和笔记本。
d3d：Devkit for 3D-一些基于Numpy和Pytorch的3D对象检测工具
02-16
D3D Devkit for 3D：一些基于Numpy和Pytorch的3D对象检测和跟踪工具 如果您发现此库对您的研究有用，请考虑选址我的工作:) @article { zhong2020uncertainty , title = { Uncertainty-Aware Voxel based 3D Object ...
pytorch-adversarial-examples:对抗性范例的PyTorch实现
05-10
NumPy 1.14.3 用法 $ python main.py 数据集 结果 干净的 标签：0 标签：1 标签：2 标签：3 标签：4 标签：5 标签：6 标签：7 标签：8 标签：9 FGSM（eps = 0.15） 标签：2 标签：8 标签：1 标签：...
PyTorch | 从NumPy到PyTorch实现神经网络
01-06
这一实现完全使用NumPy来计算前向神经网络，loss，和反向传播算法。 N—样本数据的大小 DinD_{in}Din​—输入层向量大小 H—隐藏层向量大小 DoutD_{out}Dout​—输出层向量大小 forward pass h=xw1h = xw_1h=xw1​ x...
PyTorch中的torch.cuda.amp.autocast
chen_znn的博客
05-14 331
本文介绍了pytorch中的torch.cuda.amp.autocast
##20 实现图像风格迁移：使用PyTorch深入学习的艺术之旅
weixin_51352614的博客
05-14 955
图像风格迁移是一种使一幅图像呈现另一幅画作风格的技术，通过深度学习，我们能够捕捉到内容图像的结构信息和风格图像的风格特征，并将它们融合在一起，创造出令人惊叹的艺术作品。本文将带领大家实现一个基于PyTorch的图像风格迁移项目。在这个项目中，我们将使用神经风格迁移（Neural Style Transfer，NST）技术，它是由Gatys et al.在2015年提出的一种算法，可以将一幅图像的风格迁移到另一幅图像中，同时保留后者的内容。
Pytorch学习笔记——Conv2d与Tensorboard的结合使用
weixin_50765519的博客
05-14 275
Conv2d是深度学习框架中用于执行二维卷积操作的函数或类。它接受输入数据(通常是图像)和卷积核作为参数，输出卷积特征图。这些特征图可以进一步用于分类、检测或其他计算机视觉任务。TensorBoard是一个强大的可视化工具，用于展示深度学习模型的各个方面。它可以展示模型的网络结构、参数分布、训练曲线以及图像、音频等媒体数据。通过使用TensorBoard，能够让研究人员和开发者可以更好地理解和调试模型，从而提高模型的性能和效果。
Pytorch学习-利用Dataset类定义自己的数据集
weixin_49824703的博客
05-14 140
定义自己的数据集类需要继承torch.utils.data中的Dataset类。主要实现两个方法，即__len__和__getitem__以具体的例子进行演示。
【PyTorch】PyTorch中的方法torch.randperm()介绍
yangweipeng708的博客
05-14 324
在 PyTorch 中，函数用于生成一个从0到n-1的随机排列的整数序列。这个函数是非常有用的，尤其是在需要随机打乱数据或索引时，比如在训练机器学习模型时打乱数据顺序，以确保模型训练的泛化能力。
Pytorch中的一些函数参数讲解
knighthood2001
05-17 1414
在这个示例中，我们首先创建了一个大小为 (1, 3, 10, 10) 的输入特征图，其中 1 表示批量大小，3 表示通道数，10x10 表示特征图的高度和宽度。表示使用原地操作执行 ReLU 激活函数，即直接在输入张量上执行 ReLU 操作，并修改输入张量本身，而不是创建一个新的张量来存储结果。在深度学习中，上采样通常用于将低分辨率的特征图恢复到原始输入图像的分辨率，或者增大图像以便进行后续的处理。（输出张量）：可选参数，用于指定输出张量。（默认情况），则会创建一个新的张量来存储操作的结果，并将其返回。
ubuntu 22.04 安装 RTX 4090 显卡驱动 GPU Driver（PyTorch准备）
yingmohuanzhou的博客
05-14 489
ubuntu 22.04 安装 RTX 4090 显卡驱动 GPU Driver（PyTorch准备）
Pytorch读取自己的数据集
qq_38633279的博客
05-14 254
【代码】Pytorch读取自己的数据集。
【Pytorch】8.torch.nn.conv2d
Elephant_King的博客
05-14 270
这个函数和我们之前提到的的作用相似，都是完成操作，这里就不在过多赘述。
深度学习之基于Pytorch的昆虫分类识别系统
qq1744828575的博客
05-17 466
一、项目背景昆虫分类识别是生态学、农业和生物多样性保护等领域的重要任务。然而，传统的昆虫分类方法依赖于专家的经验和知识，效率低下且容易出错。随着深度学习技术的快速发展，基于卷积神经网络（CNN）的图像分类方法被广泛应用于昆虫分类识别中。本项目旨在利用PyTorch深度学习框架，构建一个高效、准确的昆虫分类识别系统，实现对昆虫图像的自动分类和识别。二、技术组成PyTorch框架：PyTorch是一个开源的深度学习框架，具有简洁易用的API和强大的计算能力。
深度学习之基于Pytorch雾霾气象下车牌识别系统
最新发布
qq1744828575的博客
05-20 202
一、项目背景与目标在雾霾等恶劣气象条件下，传统的车牌识别系统往往面临识别精度下降的问题。这主要因为雾霾等气象条件会导致图像质量下降，进而影响车牌区域的清晰度和字符的可识别性。为了克服这一难题，本项目旨在利用深度学习技术，特别是PyTorch框架，构建一个能够在雾霾气象下准确识别车牌的系统。二、系统组成与技术实现本项目主要包括两个关键部分：图像预处理和车牌识别。图像预处理：针对雾霾气象下的图像特点，本项目采用先进的图像去雾技术，如大气散射模型等，对原始图像进行预处理。
numpy和pytorch
07-27
numpy和pytorch是两个广泛使用的Python库，用于科学计算和机器学习任务。 NumPy是一个用于数值计算的基础库，提供了高效的多维数组对象和相关的数学函数。它是Python科学计算的核心库之一，被广泛用于数组操作、...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值