人工智能作业三

最新推荐文章于 2024-07-24 10:39:16 发布

liuzhexuan1

最新推荐文章于 2024-07-24 10:39:16 发布

阅读量153

点赞数

文章标签：人工智能 pytorch python

本文链接：https://blog.csdn.net/qq_45834992/article/details/124642695

版权

文章目录

使用pytorch复现课上例题。
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？
【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。）
对比【作业2】与【作业3】的反向传播的实现方法。总结并陈述。
激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。
激活函数Sigmoid改变为Relu，观察、总结并陈述。
损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。
损失函数MSE改变为交叉熵，观察、总结并陈述。
改变步长，训练次数，观察、总结并陈述。
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。
全面总结反向传播原理和编码实现，认真写心得体会。
参考博客

使用pytorch复现课上例题。

完整代码

# 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)

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？

作业二的结果：
在这里插入图片描述

作业三结果：
在这里插入图片描述可以发现，两个答案不同，作业三的答案是正确的。

【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。）

新的代码


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))

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中的实现是自己手动推公式实现的，作业3是直接通过计算图来实现，方便很多

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

将激活函数更换：
在这里插入图片描述

运行后发现结果并没有变化：
在这里插入图片描述直接调用torch.sigmoid可以免去自己实现的过程。

激活函数Sigmoid改变为Relu，观察、总结并陈述。

更换激活函数：
在这里插入图片描述
运行结果：

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

更换损失函数：
在这里插入图片描述
运行结果：

损失函数MSE改变为交叉熵，观察、总结并陈述。

换成交叉熵
在这里插入图片描述
运行结果：

改变步长，训练次数，观察、总结并陈述。

step = 1, 50轮
结果：
在这里插入图片描述 step = 10, 50轮
step = 10, 1轮

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。

将初始值换成随机数：
在这里插入图片描述运行结果：

全面总结反向传播原理和编码实现，认真写心得体会。

反向传播如果从输入端推下去的话，会发现计算变得非常困难。
仅仅是两层，式子就变得非常复杂，如果要计算当前层的答案，必须要把下一层的东西计算出来。
但是如果从输出端往前推，会发现计算变得与前向传播一样，很好计算。
实现反向传播时，调用pytorch的库会方便很多。

参考博客

【人工智能导论：模型与算法】MOOC 8.3 误差后向传播(BP) 例题编程验证 Pytorch版本 - HBU_DAVID - 博客园 (cnblogs.com)

【2021-2022 春学期】人工智能-作业3：例题程序复现 PyTorch版_HBU_David的博客-CSDN博客

liuzhexuan1

关注

0
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
人工智能作业三

文章目录使用pytorch复现课上例题。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？【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。）对比【作业2】与【作业3】的反向传播的实现方法。总结并陈述。激活函数Sigmoid用PyTorch自带函数torch.sigmoid()，观察、总结并陈述。激活函数Sigmoid改变为Relu，观察、总结并陈述。损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述。损失函数MS
复制链接

扫一扫