训练的目的,是为了让损失更小,即在训练过程中不断更新ω的值,以使得loss最小。
所以我们在梯度下降的过程中,就是观察,并使其取向最小的趋势训练。
根据上一节我们可以得到一般简单的线性更新计算的解析式为:
Update为: 其中,α称为学习率。(采用贪心策略)
对应的Loss Function:
但是对于我们常用的复杂的网络时,如果还是按照上述的求解ω方法,则我们需要花费大量的时间来求解相应网络连接中的权重ω,因此,我们考虑用反向传播(back promption),以求解图的方式来求解对应的权重ω。
例如一个两层的神经网络:
则其需要经过(如下草图):
#反向传播过程:
#1.先计算损失函数
#2.再进行.backward()
import torch
import matplotlib.pyplot as plt #torch 要放在matplotlib之前。
x_data = [1.0,2.0,3.0]
y_data = [2.0,4.0,6.0]
w =torch.Tensor([3.0])
w.requires_grad = True
epoch_list = []
loss_list = []
def forward(xs):
return xs * w
def loss(x,y):
y_pred = forward(x)
return (y_pred - y) ** 2
print("predict (before training)",4,forward(4).item())
for epoch in range(100):
for x,y in zip(x_data,y_data):
l = loss(x,y)
l.backward()
print('\tgrad:',x,y,w.grad.item())
w.data = w.data - 0.01 * w.grad.data
w.grad.data.zero_()
print("process:",epoch,l.item())
epoch_list.append(epoch)
loss_list.append(l.item())
print("predict (after training)",4,forward(4).item())
plt.plot(epoch_list,loss_list)
plt.ylabel('Loss')
plt.xlabel('epoch')
plt.show()