NNDL 作业3：分别使用numpy和pytorch实现FNN例题

喝无糖雪碧

已于 2022-10-02 20:02:29 修改

阅读量217

点赞数 1

文章标签： numpy pytorch python

于 2022-10-02 20:01:42 首次发布

本文链接：https://blog.csdn.net/qq_61291372/article/details/127143539

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

对比【numpy】和【pytorch】程序，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“指定权值”的结果，观察、总结并陈述。

权值w1-w8初始值换为0，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。

1.过程推导 - 了解BP原理

给定训练集D={( $x_{1},y_{1}$ ),( $x_{2},y_{2}$ ),....( $x_{m},y_{m}$ )}, $x_{i}\epsilon \mathbb{R}^{d},y_{i}\epsilon \mathbb{R}^{l}$ ,即输入示例由d个属性描述，输出 $l$ 维实值向量。为方便讨论，图5.7给出了一个拥有d个输入神经元、 $l$ 个输出神经元、q个隐层神经元的多层前馈神经网络，其中输出层第j个神经元的阈值用 $\theta_{j}$ 表示，隐层第h个神经元的阈值用 $\gamma ^{h}$ 表示，输入层第i个神经元与隐层第h个神经元之间的连接权为 $v^{ih}$ ，隐层第h个神经元与输出层第j个神经元之间的连接权为 $w^{ih}$ 。记隐层第h个神经元接收到的输入为 $\alpha _{h}=\sum_{i=1}^{d} v_{ih}x_{i}$ ,输出层第j个神经元接收到的输入为 $\beta _{j}=\sum_{h=1}^{q} w_{hj}b_{h}$ ,其中 $b_{h}$ 为隐层第h个神经元的输出。假设隐层和输出层神经元都使用Sigmoid函数。

2.数值计算 - 手动计算，掌握细节

3.代码实现 - numpy手推 + pytorch自动

对比【numpy】和【pytorch】程序，总结并陈述。

使用numpy实现：

import numpy as np


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：o1 ,o2")
    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")
    print(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
    # print(round(d_o1, 2), round(d_o2, 2))

    d_w5 = d_o1 * out_o1 * (1 - out_o1) * out_h1
    d_w7 = d_o1 * out_o1 * (1 - out_o1) * out_h2
    # print(round(d_w5, 2), round(d_w7, 2))
    d_w6 = d_o2 * out_o2 * (1 - out_o2) * out_h1
    d_w8 = d_o2 * out_o2 * (1 - out_o2) * out_h2
    # print(round(d_w6, 2), round(d_w8, 2))

    d_w1 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x1
    d_w3 = (d_w5 + d_w6) * out_h1 * (1 - out_h1) * x2
    # print(round(d_w1, 2), round(d_w3, 2))

    d_w2 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x1
    d_w4 = (d_w7 + d_w8) * out_h2 * (1 - out_h2) * x2
    # print(round(d_w2, 2), round(d_w4, 2))
    print("反向传播：误差传给每个权值")
    print(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 = 5
    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__":
    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：x1, x2；真实输出值：y1, y2=====")
    print(x1, x2, y1, y2)
    print("=====更新前的权值=====")
    print(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(1000):
        print("=====第" + str(i) + "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")
    print(round(w1, 2), round(w2, 2), round(w3, 2), round(w4, 2), round(w5, 2), round(w6, 2), round(w7, 2),
          round(w8, 2))

运行结果：

使用torch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) + "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)

运行结果：

总结：二者结果相近，但用torch实现更加简单

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

sigmoid函数表达式：

$f ( x ) = \frac{1}{1+e^{-x}}$

Sigmoid函数的导数是其本身的函数，即f′(x)=f(x)[1−f(x)]，因此Sigmoid函数在反向传播的求导中起到了重要作用。
改之前：

改之后：

对比可发现激活函数Sigmoid用PyTorch自带函数torch.sigmoid()并无明显区别

激活函数Sigmoid改变为Relu，观察、总结并陈述。

1轮：

10轮：

50轮：

1000轮：

（1）relu函数可使网络具有稀疏性，因为他会使一部分神经元抑制输出0，可以有效地缓解过拟合问题。

（2）relu函数计算比sigmoid函数简单，计算速度更快，计算量也比较小。

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

更改代码：

def loss_fuction(x1, x2, y1, y2):  # 损失函数
    y1_pred, y2_pred = forward_propagate(x1, x2)  # 前向传播
    loss = torch.nn.MSELoss()  # 考虑 ： t.nn.MSELoss()
    loss1 = loss(y1_pred,y1)
    loss2 = loss(y2_pred,y2)
    loss = loss1 + loss2
    print("损失函数（MSELoss)：", loss.item())
    return loss

改前：

1轮：

10轮：

50轮：

1000轮：

改后：
1轮：

10轮：

50轮：

1000轮：

对比可发现更改前后运行结果有一定的差距

损失函数MSE改变为交叉熵，观察、总结并陈述。

更改代码：

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

1轮：

10轮：

50轮：

1000轮：

从这里可以看出交叉熵损失在训练1000轮后出现了负数

改变步长，训练次数，观察、总结并陈述。

步长为2，训练次数50：

步长为:5，训练次数50：

当训练次数一定时，步长越大，均方误差下降越快，收敛越快。

步长为5，训练次数1：

步长为5，训练次数50：

步长一定时，随着训练次数增加，均方误差下降速度也在逐渐降低，收敛速度也下降了。

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。

更改代码：

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

1轮：

50轮：

1000轮：

权重的初始化不会影响收敛的结果，均方误差的下降速度与指定权值时相比有所降低，收敛速度小于指定权值。

权值w1-w8初始值换为0，观察、总结并陈述。

更改代码：

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])

训练1轮