作业
一、过程推导 - 了解BP原理
二、数值计算 - 手动计算,掌握细节
三、代码实现 - numpy手推 + pytorch自动
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。
待解决的问题
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。
一、过程推导 - 了解BP原理--数值计算 - 手动计算,掌握细节
BP是一种通过反向传播算法训练神经网络的方法,下面是用数学公式表达BP原理的推导过程:
设有一个包含n个神经元的神经网络,输入层有m个神经元,隐藏层有l个神经元,输出层有k个神经元。假设神经网络中有wij表示从第j个神经元到第i个神经元的权重,bi表示第i个神经元的偏置,ai表示第i个神经元的激活值,σ表示激活函数,xj表示第j个神经元的输入,oi表示第i个神经元的输出,y表示网络的输出。则,神经网络的输入为:x = [x1, x2, . . . , xm]T
网络的输出为:y = [y1, y2, . . . , yk]T
对于给定的输入数据,网络的输出可以表示为:
o = sigmoid(Wx + b)
其中,W=[w1,w2,...,wn]∈Rl×m,b=[b1,b2,...,bn]∈Rl。
现在我们考虑如何训练网络的参数,即权重和偏置。为了简化起见,我们使用平方误差作为损失函数,即:E = 12(y−o)T(y−o)
其中,y^是期望的输出。
我们使用梯度下降算法来最小化损失函数,即:
ΔW = −∂E∂W=−(σ(Wx+b)−y)xT
Δb = −∂E∂b=−(σ(Wx+b)−y)
其中,ΔW∈Rl×m和Δb∈Rl分别表示权重和偏置的变化量。
通过求解偏导数并将其应用于权重和偏置的更新,我们可以得到:
ΔW = xT(σ(Wx+b)−y)
Δb = (σ(Wx+b)−y)
使用小批量梯度下降算法,我们可以将损失函数表示为:
E = 12m−1∑m−1i=1(y(i)−o(i))T(y(i)−o(i))
其中,m是每个小批次中的样本数。
因此,我们可以得到:
ΔW = 1m∑m−1i=1x(i)T(σ(Wx(i)+b)−y(i))
Δb = 1m∑m−1i=1(σ(Wx(i)+b)−y(i))
通过迭代更新权重和偏置,我们可以逐渐降低损失函数的值并提高网络的准确性。
二、代码实现 - numpy手推 + pytorch自动
1.对比【numpy】和【pytorch】程序,总结并陈述。
numpy程序实现
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
#sigmoid激活函数
def sigmoid(X):
result=1/(1+np.exp(-X))
return result
#前向传播
def Forward_propagation(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8):
h1=x2*w3+x1*w1
h2=x1*w2+x2*w4
outh1=sigmoid(h1)#激活
outh2=sigmoid(h2)
o1=outh2*w7+outh1*w5#激活
o2=outh1*w6+outh2*w8
outo1=sigmoid(o1)
outo2=sigmoid(o2)
error=(1/2)*(outo1-y1)**2+(1/2)*(outo2-y2)**2
print("前向传播_隐藏层h1,h2:",round(outh1, 5), round(outh2, 5))
print("前向传播_预测值o1,o2:",round(outo1, 5), round(outo2, 5))
print("损失函数:", round(error, 5))
return outo1, outo2, outh1, outh2
#反向传播并参数更新
def back_propagate(outo1, outo2, outh1, outh2,w1, w2, w3, w4, w5, w6, w7, w8):
step = 1
do1 = outo1-y1
do2=outo2-y2
dw5 = do1 * outo1 * (1 - outo1) * outh1
dw7 = do1 * outo1 * (1 - outo1) * outh2
dw6 = do2 * outo2 * (1 - outo2) * outh1
dw8 = do2 * outo2 * (1 - outo2) * outh2
dw1 = (do1 * outh1 * (1 - outh1) * w5 + do2 * outo2 * (1 - outo2) * w6) * outh1 * (1 - outh1) * x1
dw3 = (do1 * outh1 * (1 - outh1) * w5 + do2 * outo2 * (1 - outo2) * w6) * outh1 * (1 - outh1) * x2
dw2 = (do1 * outh1 * (1 - outh1) * w7 + do2 * outo2 * (1 - outo2) * w8) * outh2 * (1 - outh2) * x1
dw4 = (do1 * outh1 * (1 - outh1) * w7 + do2 * outo2 * (1 - outo2) * w8) * outh2 * (1 - outh2) * x2
print("w的梯度:",round(dw1, 2), round(dw2, 2), round(dw3, 2), round(dw4, 2), round(dw5, 2), round(dw6, 2),round(dw7, 2), round(dw8, 2))
w1 = w1-step*dw1
w2 = w2-step*dw2
w3 = w3-step*dw3
w4 = w4-step*dw4
w5 = w5-step*dw5
w6 = w6-step*dw6
w7 = w7-step*dw7
w8 = w8-step*dw8
return w1, w2, w3, w4, w5, w6, w7, w8,dw1,dw2,dw3,dw4,dw5,dw6,dw7,dw8
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(100):
print("=====第" + str(i + 1) + "轮=====")
outo1, outo2, outh1, outh2 = Forward_propagation(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8)
w1, w2, w3, w4, w5, w6, w7, w8,dw1, dw2, dw3, dw4, dw5, dw6, dw7, dw8 = back_propagate(outo1, outo2, outh1, outh2,1, 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))
pytorch实现
import torch
# 定义输入输出数据
x = torch.tensor([0.5, 0.3])
y = torch.tensor([0.23, -0.07])
print(f"输入值 x0, x1: {x[0]}, {x[1]}")
print(f"输出值 y0, y1: {y[0]}, {y[1]}")
# 定义模型参数
w = [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)]
for param in w:
param.requires_grad = True
print("权值w0-w7:")
for param in w:
print(param.data, end=" ")
# 定义前向传播过程
def forward(x):
h1 = torch.sigmoid(w[0] * x[0] + w[2] * x[1])
h2 = torch.sigmoid(w[1] * x[0] + w[3] * x[1])
o1 = torch.sigmoid(w[4] * h1 + w[6] * h2)
o2 = torch.sigmoid(w[5] * h1 + w[7] * h2)
print(f"\n正向计算,隐藏层h1, h2: {h1.data}, {h2.data}")
print(f"正向计算,预测值o1, o2: {o1.data}, {o2.data}")
return o1, o2
# 定义损失函数
def loss_fn(x, y):
y_pred = forward(x)
loss = 0.5 * (y_pred[0] - y[0]) ** 2 + 0.5 * (y_pred[1] - y[1]) ** 2
print(f"\n损失函数(均方误差): {loss.item()}")
return loss
# 主训练循环
for k in range(1):
print(f"\n=====第{k + 1}轮训练=====")
loss = loss_fn(x, y)
loss.backward()
print("w的梯度: ", end=" ")
for param in w:
print(round(param.grad.item(), 2), end=" ")
step = 1
for param in w:
param.data -= step * param.grad.data
param.grad.data.zero_()
print("\n更新后的权值w: ")
for param in w:
print(param.data, end=" ")
numpy结果
10轮测试结果:
100轮测试结果:
1000轮测试结果:
pytorch结果
10轮测试结果:
100轮测试结果:
1000轮测试结果:
2.激活函数Sigmoid用PyTorch自带函数torch.sigmoid(),观察、总结并陈述。
从上图的运算结果中对比:在十轮训练时略有差异,但到一百轮与一千轮训练时,差异不断减小,torch.sigmoid()精度更高一些。
3.激活函数Sigmoid改变为Relu,观察、总结并陈述。
改为Relu激活函数后
def Relu(X):
result=max(0,X)
return result
10轮测试结果:
100轮测试结果:
1000轮测试结果:
和sigmoid函数形成对比的是,均方误差在前十轮里迅速降了下来,运算速度比sigmoid快。并且解决了sigmoid函数中梯度消失的问题
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):
s, l = forward(x[0],x[1])
t = torch.nn.MSELoss()
loss = t(s,y[0]) + (l,y[1])
print("损失函数(交叉熵):", loss.item())
return loss
10轮测试:
100轮测试:
1000轮测试:
待解决的问题
torch.nn.MSELoss不能在源程序直接替换使用,要报错,这里参考一些其余文章改动即可
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):
m1, m2= forward(x[0], x[1])
loss_func = torch.nn.CrossEntropyLoss()
s = torch.stack([m1, m2], dim=1)
l= torch.stack([y[0], y[1]], dim=1)
loss = loss_func(s, l)
print("损失函数(交叉熵):", loss.item())
return loss
结果
交叉熵损失函数公式为,计算次数过大成为负数,当在0-1时为正,大于1为负,要用softmax输出
6.改变步长,训练次数,观察、总结并陈述。
step=1
10轮
100轮
step=5
10轮
100轮
step减小,收敛速度也有所减缓,收敛到最优的次数要求就较少
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。
权值为0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8
100轮测试
权重没影响收敛结果,但是影响了收敛速度
8.权值w1-w8初始值换为0,观察、总结并陈述。
10轮
50轮
100轮
全部改为0,不影响收敛结果,速度受影响
9.全面总结反向传播原理和编码实现,认真写心得体会。
反向传播在机器学习课程中已经详细讲解,实际上它并不复杂,主要包括前向计算(需要注意激活函数的存在)和反向链式求导。目前,我们需要手动进行数值计算,但一旦得到通项式,数值计算就不再是问题。
在编程实现方面,我们参照了老师的代码,并针对具体的激活函数和损失函数进行了相应的调整。尽管站在了巨人的肩膀上,但在实践过程中还是遇到了许多错误。在解决这些问题后,我们得出了一些有价值的结论:
- 使用不同的激活函数会影响模型的性能。例如,使用Relu激活函数的收敛速度会优于sigmoid激活函数,具体原因已在文中解释。
- 交叉熵损失函数的结果可能会出现负数。为解决这一问题,我们需要在计算中结合softmax函数。
- 适当的选择步长可以提升模型的收敛速度,然而不合理的步长可能会导致模型出现过拟合,从而影响最终的收敛结果。
- 前馈神经网络的权重初始值只会影响模型的收敛速度,而不会影响或仅能微小地影响模型的收敛结果。