人工智能-作业3：例题程序复现 PyTorch版

1.使用pytorch复现课上例题

源代码：

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：

2.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？
对比作业二程序：

结果并不相同，可以看出来正向传播过程是一致的，但是返回传播后更新的权值不同，由于作业三调用的系统的库函数是没问题的，可以得出作业二反向传播部分出了问题。
3.【作业2】程序更新
重新改写反向传播算符

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_w5 * w5 / out_h1 + d_w6 * w6 / out_h1) * out_h1 * (1 - out_h1) * x1
    d_w3 = (d_w5 * w5 / out_h1 + d_w6 * w6 / out_h1) * out_h1 * (1 - out_h1) * x2
    d_w2 = (d_w7 * w7 / out_h2 + d_w8 * w8 / out_h2) * out_h2 * (1 - out_h2) * x1
    d_w4 = (d_w7 * w7 / out_h2 + d_w8 * w8 / out_h2) * out_h2 * (1 - out_h2) * x2

    return d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8

再次测试，发现结果一致。（作业二已更新）

4.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中的方法通过手动计算，得到反向传播过程中各参数梯度；作业3通过张量Tensor求Loss，构建计算图，在最后通过backword()自动求梯度。
5.激活函数Sigmoid用PyTorch自带函数 torch.sigmoid()，观察、总结并陈述。
原本的激活函数：
直接调用：

结果：

结果一致
6.激活函数Sigmoid改变为Relu，观察、总结并陈述。
relu函数定义为：f(x) = max(0,x)

对比可以看出，这样写损失函数反而降低了。
7.损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代，观察、总结并陈述
将损失函数替换为torch.nn.MSELoss()函数：

观察结果：
结果是一致的。
8.损失函数MSE改变为交叉熵，观察、总结并陈述
改写函数：

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（均方误差）：", loss.item())
    return loss

结果：

和均方差的损失函数相比，计算梯度确有不同
9.改变步长，训练次数，观察、总结并陈述
步长为一：

步长为二：

步长为五：

步长为100：

在合适的范围之内，增加步长或者迭代轮数都可以使损失函数减少。
不过当步长过大的时候，多轮执行，损失函数反而会变大，且会稳定在一个固定的值，再训练也没有用。
这从更新过程就可以看出，过大的步长导致对参数的修改过大。
10.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

随机初始化8个权值为(-1, 1)之间的数，和作业2对比发现迭代训练1000遍以后权值正负性完全相同，权重换为随机数后，均方误差会变小
11.总结反向传播原理和编码实现

它的基本思想为：

(1)先计算每一层的状态和激活值，直到最后一层（即信号是前向传播的）；

(2)计算每一层的误差，误差的计算过程是从最后一层向前推进的（即误差是反向传播的）；

(3)计算每个神经元连接权重的梯度；

(4)根据梯度下降法则更新参数（目标是误差变小）。

迭代以上步骤，直到满足停止准则（比如相邻两次迭代的误差的差别很小）
反向传播原理：利用求导链式法则，把跨层参数的导数变为逐层求导。