NNDL 作业3 反向传播BP

兮希NGC2237

已于 2023-10-15 20:04:35 修改

阅读量131

点赞数 2

分类专栏：深度学习 BP 文章标签：人工智能深度学习神经网络

于 2023-10-15 19:45:42 首次发布

本文链接：https://blog.csdn.net/weixin_62629319/article/details/133826704

版权

深度学习同时被 2 个专栏收录

1 篇文章 0 订阅

订阅专栏

1 篇文章 0 订阅

订阅专栏

本文详细介绍了前馈神经网络中的BP原理，包括前向传播、sigmoid函数、反向传播过程以及手动计算和代码实现，特别比较了numpy和pytorch在实现中的异同，强调了激活函数和损失函数的选择对训练效果的影响。

摘要由CSDN通过智能技术生成

1.过程推导 - 了解BP原理

前馈神经网络：误差反向传播

前向传播：根据公式前向传播即可。

sigmoid函数： $sigmoid(x)=\frac{1}{1+e^{-x}}$

$In_{h1}=w_{1}x_{1}+w_{3}x_{2}$	$h_{1}=sigmoid(In_{h1})$
$In_{h2}=w_{2}x_{1}+w_{4}x_{2}$	$h_{2}=sigmoid(In_{h2})$
$In_{o1}=w_{5}h_{1}+w_{7}h_{2}$	$o_{1}=sigmoid(In_{o1})$
$In_{o2}=w_{6}h_{1}+w_{8}h_{2}$	$o_{2}=sigmoid(In_{o2})$
$Error=\frac{1}{2}\sum_{i=1}^{2}(o_{i}-y_{i})^{2}$

反向传播：

计算梯度: $w_5\sim w_8$

$\bigtriangleup w_{5}=\frac{\partial Error}{\partial w_{5}}=\frac{\partial Error}{\partial o_1}\cdot \frac{\partial o_1}{\partial Ino_1}\cdot \frac{\partial Ino_1}{\partial w_5}$

然后一步步计算

$\frac{\partial Error}{\partial o_1}=\frac{\partial \frac{1}{2}\sum_{i=1}^{2}(o_i-y_i)^{2}}{\partial o_1}=o_1-y_1$

由sigmoid()函数性质： ${\sigma}'(x)=\sigma(x) (1-\sigma(x) )$

$\frac{\partial o_1}{\partial Ino_1}=\frac{\partial sigmoid(Ino_1)}{\partial Ino_1}=o_1(1-o_1)$

$\frac{\partial (w_{5}h_1+w_7h_2)}{\partial w_5}=h_1$

同上所述：

$\bigtriangleup w_5=o_1(o_1-y_1)(1-o_1)h_1$

$\bigtriangleup w_6=o_2(o_2-y_2)(1-o_2)h_1$

$\bigtriangleup w_7=o_1(o_1-y_1)(1-o_1)h_2$

$\bigtriangleup w_8=o_2(o_2-y_2)(1-o_2)h_2$

计算梯度: $w_1\sim w_4$

$\bigtriangleup w_1=\frac{\partial Error}{\partial w_1}=\frac{\partial Error}{\partial o_1}\cdot \frac{\partial o_1}{\partial w_1}+\frac{\partial Error}{\partial o_2}\cdot \frac{\partial o_2}{\partial w_1}$

$=\frac{\partial Error}{\partial o_1}\cdot \frac{\partial o_1}{\partial Ino_1}\cdot \frac{\partial Ino_1}{\partial h_1}\cdot \frac{\partial h_1}{\partial Inh_1}\cdot \frac{\partial Inh_1}{\partial w_1}+\frac{\partial Error}{\partial o_2}\cdot \frac{\partial o_2}{\partial Ino_2}\cdot \frac{\partial Ino_2}{\partial h_1}\cdot \frac{\partial h_1}{\partial Inh_1}\cdot \frac{\partial Inh_1}{\partial w_1}$

$=(\frac{\partial Error}{\partial o_1}\cdot \frac{\partial o_1}{\partial Ino_1\cdot}\cdot \frac{\partial Ino_1}{\partial h_1}+\frac{\partial Error}{\partial o_2}\cdot \frac{\partial o_2}{\partial Ino_2\cdot}\cdot \frac{\partial Ino_2}{\partial h_1})\cdot \frac{h_1}{\partial Inh_1}\cdot \frac{\partial Inh_1}{\partial w_1}$

$=[(o_1-y_1)\cdot o_1\cdot (1-o_1)\cdot w_5+(o_2-y_2)\cdot o_2\cdot (1-o_2)\cdot w_6]\cdot h_1\cdot (1-h_1)\cdot x_1$

同上所述：

$\bigtriangleup w_1=[(o_1-y_1)\cdot o_1\cdot (1-o_1)\cdot w_5+(o_2-y_2)\cdot o_2\cdot (1-o_2)\cdot w_6]\cdot h_1\cdot (1-h_1)\cdot x_1$

$\bigtriangleup w_2=[(o_1-y_1)\cdot o_1\cdot (1-o_1)\cdot w_7+(o_2-y_2)\cdot o_2\cdot (1-o_2)\cdot w_8]\cdot h_2\cdot (1-h_2)\cdot x_1$

$\bigtriangleup w_3=[(o_1-y_1)\cdot o_1\cdot (1-o_1)\cdot w_5+(o_2-y_2)\cdot o_2\cdot (1-o_2)\cdot w_6]\cdot h_1\cdot (1-h_1)\cdot x_2$

$\bigtriangleup w_4=[(o_1-y_1)\cdot o_1\cdot (1-o_1)\cdot w_7+(o_2-y_2)\cdot o_2\cdot (1-o_2)\cdot w_8]\cdot h_2\cdot (1-h_2)\cdot x_2$

更新参数：
$w_1=w_1-\eta *\bigtriangleup w_1$ $w_5=w_5-\eta *\bigtriangleup w_5$
$w_2=w_2-\eta *\bigtriangleup w_2$ $w_6=w_6-\eta *\bigtriangleup w_6$
$w_3=w_3-\eta *\bigtriangleup w_3$ $w_7=w_7-\eta *\bigtriangleup w_7$
$w_4=w_4-\eta *\bigtriangleup w_4$ $w_8=w_8-\eta *\bigtriangleup w_8$

2.数值计算 - 手动计算

进行第一轮计算：定义初始参数

前向传播：

$In_{h1}=w_{1}x_{1}+w_{3}x_{2}=0.25$	$h_{1}=sigmoid(In_{h1})=0.56$
$In_{h2}=w_{2}x_{1}+w_{4}x_{2}=-0.02$	$h_{2}=sigmoid(In_{h2})=0.5$
$In_{o1}=w_{5}h_{1}+w_{7}h_{2}=-0.09$	$o_{1}=sigmoid(In_{o1})=0.48$
$In_{o2}=w_{6}h_{1}+w_{8}h_{2}=0.11$	$o_{2}=sigmoid(In_{o2})=0.53$
$Error=\frac{1}{2}\sum_{i=1}^{2}(o_{i}-y_{i})^{2}= 0.21$

计算梯度: $w_5\sim w_8$

$\bigtriangleup w_5=o_1(o_1-y_1)(1-o_1)h_1=0.03$

$\bigtriangleup w_6=o_2(o_2-y_2)(1-o_2)h_1=0.08$

$\bigtriangleup w_7=o_1(o_1-y_1)(1-o_1)h_2=0.03$

$\bigtriangleup w_8=o_2(o_2-y_2)(1-o_2)h_2=0.07$

计算梯度: $w_1\sim w_4$

$\bigtriangleup w_1=-0.01$

$\bigtriangleup w_2= 0.01$

$\bigtriangleup w_3= -0.01$

$\bigtriangleup w_4=0.01$

参数更新：假设学习率（ $\eta =1$ ）

反向传播过程如图所示：

$w_1=w_1-\eta *\bigtriangleup w_1=0.21$	$w_5=w_5-\eta *\bigtriangleup w_5=0.07$
$w_2=w_2-\eta *\bigtriangleup w_2=-0.41$	$w_6=w_6-\eta *\bigtriangleup w_6=-0.58$
$w_3=w_3-\eta *\bigtriangleup w_3=0.51$	$w_7=w_7-\eta *\bigtriangleup w_7=-0.33$
$w_4=w_4-\eta *\bigtriangleup w_4=0.59$	$w_8=w_8-\eta *\bigtriangleup w_8=0.73$

3.代码实现 - numpy手推实现前馈神经网络

import torch
import numpy as np
import matplotlib.pyplot as plt
# Numpy实现BP
# 初始化输入x,输出y,权重w
x1,x2=0.5,0.3
y1,y2=0.23,-0.07
w1,w2,w3,w4,w5,w6,w7,w8= 0.2,-0.4,0.5,0.6,0.1,-0.5,-0.3,0.8
print("输入值x：", x1, x2)
print("输入值y：", y1, y2)
print("初始化w：", w1, w2, w3, w4, w5, w6, w7, w8)
# 定义sigmoid()激活函数
def sigmoid(z):
    a = 1 / (1 + np.exp(-z))
    return a

# 前向传播
def forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8):
    # 输入层——>隐藏层
    in_h1=w1*x1+w3*x2
    in_h2=w2*x1+w4*x2
    out_h1=sigmoid(in_h1)
    out_h2=sigmoid(in_h2)
    # 隐藏层——>输出层
    in_o1=w5*out_h1+w7*out_h2
    in_o2=w6*out_h1+w8*out_h2
    out_o1=sigmoid(in_o1)
    out_o2=sigmoid(in_o2)

    #计算均方误差
    E=(1/2)*((out_o1-y1)**2+(out_o2-y2)**2)
    print("正向计算 隐藏层：", round(out_h1, 2), round(out_h2, 2))
    print("正向计算 输出层：", round(out_o1, 2), round(out_o2, 2))
    print("均方误差：", round(E, 2))
    return out_o1, out_o2, out_h1, out_h2,E

# 反向传播
def back_propagate(out_o1, out_o2, out_h1, out_h2):
    # 均方误差——>隐藏层输出层权重
    d_w5 = out_o1*(out_o1-y1)*(1-out_o1)*out_h1
    d_w6 = out_o2*(out_o2-y2)*(1-out_o2)*out_h1
    d_w7 = out_o1*(out_o1-y1)*(1-out_o1)*out_h2
    d_w8 = out_o2*(out_o2-y2)*(1-out_o2)*out_h2
    # 均方误差——>输入层隐藏层权重
    d_w1=((out_o1-y1)*out_o1*(1-out_o1)*w5+(out_o2-y2)*out_o2*(1-out_o2)*w6)*out_h1*(1-out_h1)*x1
    d_w3=((out_o1-y1)*out_o1*(1-out_o1)*w5+(out_o2-y2)*out_o2*(1-out_o2)*w6)*out_h1*(1-out_h1)*x2
    d_w2=((out_o1-y1)*out_o1*(1-out_o1)*w7+(out_o2-y2)*out_o2*(1-out_o2)*w8)*out_h2*(1-out_h2)*x1
    d_w4=((out_o1-y1)*out_o1*(1-out_o1)*w7+(out_o2-y2)*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

# 更新参数
def update_w(w1, w2, w3, w4, w5, w6, w7, w8):
    # 定义学习率
    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

    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))

    return w1, w2, w3, w4, w5, w6, w7, w8


if __name__ == "__main__":
    x= []
    loss = []
    for i in range(100):
        print("=====第" + str(i+1) + "轮=====")
        out_o1, out_o2, out_h1, out_h2 ,E= 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)
        x.append(i)
        loss.append(E)

    # 画图，将损失可视化
    plt.plot(x,loss)
    plt.ylabel('Loss')
    plt.xlabel('N')
    plt.show()

输出：

1轮计算后

100轮计算后：

将损失随着参数更新的变化可视化：

4.代码实现 - numpy手推实现前馈神经网络

# torch实现
x = [0.5, 0.3]
y = [0.23, -0.07]
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])]  # 权重初始值
for i in range(0, 8):
    w[i].requires_grad = True
for i in range(0, 8):
    print(w[i].data, end="  ")



def forward_propagate(x):  # 计算图
    in_h1 = w[0] * x[0] + w[2] * x[1]
    out_h1 = torch.sigmoid(in_h1)
    in_h2 = w[1] * x[0] + w[3] * x[1]
    out_h2 = torch.sigmoid(in_h2)
    in_o1 = w[4] * out_h1 + w[6] * out_h2
    out_o1 = torch.sigmoid(in_o1)
    in_o2 = w[5] * out_h1 + w[7] * out_h2
    out_o2 = torch.sigmoid(in_o2)

    print("正向计算，隐藏层h1 ,h2：",out_h1.data, out_h2.data)
    print("正向计算，预测值o1 ,o2：",out_o1.data, out_o2.data)

    return out_o1, out_o2

def loss(x, y):  # 损失函数
    y_pre = forward_propagate(x)  # 前向传播
    loss_mse = (1 / 2) * (y_pre[0] - y[0]) ** 2 + (1 / 2) * (y_pre[1] - y[1]) ** 2 
    print("均方误差：", round(loss_mse.item(),2))
    return loss_mse

if __name__ == "__main__":
    print("输入值 x0, x1:", x[0], x[1])
    print("输出值 y0, y1:", y[0], y[1])
    for k in range(100):
        print("\n=====第" + str(k+1) + "轮=====")
        # 前向传播，求 Loss
        l = loss(x, y)
        # 反向传播
        l.backward()
        print("w的梯度: ", end="  ")
        for i in range(0, 8):
            print(round(w[i].grad.item(), 2), end="  ")
        # 定义学习率
        step = 1
        # 更新权值
        for i in range(0, 8):
            w[i].data = w[i].data - step * w[i].grad.data
            w[i].grad.data.zero_()
        print("\n更新后的权值w:")
        for i in range(0, 8):
            print(w[i].data, end="  ")

运行结果：

Torch实现与Numpy实现运行结果一致

总结

1.对比【numpy】和【pytorch】程序，总结并陈述。

numpy和pytorch实现得到的结果是一样的，但PyTorch的张量（Tensor）比NumPy的数组更加方便计算，并且PyTorch，调用backward()函数支持自动求导，可以方便地计算梯度，而NumPy则需要手动计算梯度。

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

要将Sigmoid用PyTorch自带函数torch.sigmoid(）代替首先要将x,y,w初始值改为张量：

x1,x2=torch.tensor(0.5),torch.tensor(0.3)
y1,y2=torch.tensor(0.23),torch.tensor(-0.07)
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])

然后，在调用自定义sigmoid()的地方，改为调用torch.sigmoid()

def forward_propagate(x1, x2, y1, y2, w1, w2, w3, w4, w5, w6, w7, w8):
    # 输入层——>隐藏层
    in_h1=w1*x1+w3*x2
    in_h2=w2*x1+w4*x2
    out_h1=torch.sigmoid(in_h1)
    out_h2=torch.sigmoid(in_h2)
    # 隐藏层——>输出层
    in_o1=w5*out_h1+w7*out_h2
    in_o2=w6*out_h1+w8*out_h2
    out_o1=torch.sigmoid(in_o1)
    out_o2=torch.sigmoid(in_o2)

    #计算均方误差
    E=(1/2)*((out_o1-y1)**2+(out_o2-y2)**2)
    print("正向计算 隐藏层：", out_h1, out_h2)
    print("正向计算 输出层：", out_o1, out_o2)
    print("均方误差：",E )
    return out_o1, out_o2, out_h1, out_h2,E

并且需要注意：调用torch将导致输出值中不可使用round取整。

在PyTorch中，张量的值是以浮点数形式存储的，因此在使用round()函数时，它返回的结果也是浮点数。不可使用round取整是为了保留更多的精度，以便在进行计算时不会丢失信息。

激活函数Sigmoid换为PyTorch自带函数torch.sigmoid()，运行出来的结果与原先一致。

3.激活函数Sigmoid改变为Relu，观察、总结并陈述。

在函数中定义Relu函数：

def relu(z):
    return torch.maximum(z, torch.tensor(0.))

将代码中的sigmoid()函数改为Relu

out_h1=relu(in_h1)
out_h2=relu(in_h2)
out_o1=relu(in_o1)
out_o2=relu(in_o2)

运行结果：

学习率 $\eta =1$ 的情况下，Relu函数和sigmoid函数相比下降较慢，但最终都降为0.1左右。

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

要完成这个修改首先需要将所有变量初始化为张量：


x = torch.tensor([0.5, 0.3])
y = torch.tensor([0.23, -0.07])
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])]  # 权重初始值

for i in range(8):
    w[i] = torch.Tensor(w[i])
    w[i].requires_grad = True

然后内置torch.nn.MSELoss()函数计算损失函数：

def loss(x, y):  # 损失函数
    y_pre = forward_propagate(x)  # 前向传播
    loss_mse =(1/2)*( torch.nn.MSELoss()(y_pre[0], y[0]) + torch.nn.MSELoss()(y_pre[1], y[1]))
    print("均方误差：", round(loss_mse.item(), 2))
    return loss_mse

运行程序得到的答案与手动定义均方误差函数一致。

5.损失函数MSE改变为交叉熵，观察、总结并陈述。

要将损失函数MSE改变为交叉熵，需要定义相关loss函数：

在代码中，定义的交叉熵：使用二元交叉熵作为损失函数，这在多分类问题中较为常见： $L(y,f(x;\theta ))=-y^{^{T}}logf(x;\theta )=-\sum_{c=1}^{c}y_{c}logf_{c}(x;\theta )$

def loss(x, y, w):  # 损失函数
    y_pre = forward_propagate(x, w)  # 前向传播
    E = -y[0] * torch.log(y_pre[0]) - y[1] * torch.log(y_pre[1])
    print("交叉熵损失：", round(E.item(), 2))
    return E

由图：交叉熵损失函数逐渐下降，0.13~-0.31交叉熵损失函数有取负的情况。主要是因为交叉熵损失函数期望的输入是概率分布，而回归问题中的真实值通常不是概率分布。因此，将真实值直接用于交叉熵损失函数可能会导致不可预测的结果。

交叉熵损失函数用于衡量两个概率分布之间的差距，而回归问题中通常关注的是预测值与真实值之间的差距，而不是它们之间的概率分布差异。所以，要计算回归问题的损失函数还是均方误差好一点。

6.改变步长，训练次数，观察、总结并陈述。

改变步长：(训练次数为：100)

step=0.1

step=0.5

step=1

step=10

当训练次数一定时，随着步长越来越大，损失的收敛越来越快。

改变训练次数：步长为0.1

训练次数：10

训练次数：100

训练次数：200

训练次数：1000

当训练步长固定为0.1时，随着训练次数的增大，更新的损失越来越低，权重越来越接近于最优值。

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。

原先的权值：

权值w1-w8初始值为随机数：

# 初始化权重
w1, w2, w3, w4, w5, w6, w7, w8 = torch.randn(8)
w1,w2,w3,w4,w5,w6,w7,w8=torch.Tensor(w1), torch.Tensor(w2), torch.Tensor(w3), torch.Tensor(
    w4), torch.Tensor(w5), torch.Tensor(w6), torch.Tensor(w7), torch.Tensor(w8)

当训练步长和次数一定时，权值w1-w8初始值换为随机数与权值w1-w8固定相比，最终算出的均方误差和w的值具有一定的随机性，当w初始随机化与最优值相差较远或较近：训练一定时，最终结果就会相差较多，但随着训练次数的增多最终都会接近于最优值。

8.权值w1-w8初始值换为0，观察、总结并陈述。

权值w1-w8初始值换为0时：

# 初始化权重
w1,w2,w3,w4,w5,w6,w7,w8=torch.Tensor([0.0]), torch.Tensor([0.0]), torch.Tensor([0.0]), torch.Tensor(
    [0.0]), torch.Tensor([0.0]), torch.Tensor([0.0]), torch.Tensor([0.0]), torch.Tensor([0.0])

损失函数（均方误差）：固定为0.0107，相比于w的初始值定为：0.2, -0.4, 0.5, 0.6, 0.1, -0.5, -0.3, 0.8 损失函数为0.0103相对较大，但是总的来说与上面的随机定义w 的初始值相比，还是w随机初始化比较好，以便模型能够探索不同的解空间并找到一个较好的解，更容易得到最优值。

全面总结反向传播原理和编码实现，认真写心得体会。

反向传播阶段：反向传播会从输出层开始，计算输出层损失函数对每个神经元的梯度。损失会被传递到下一层，并以此类推，直到输入层。编程一般使用梯度下降的优化方法，在每一步中，计算每个神经元的误差项，然后用这些误差项来更新权重，使用学习率来控制权重的更新步长。

在学习过程中的主要过程，主要实现总结了：

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。
其中，相关调用torch函数的地方进行的稍慢些，主要是张量的使用还是很不熟练。在深度学习中，要习惯性使用张量。并且在反向传播算法中，梯度的计算相对困难，计算量大。但是这部分手推过程中，能够把反向传播过程流程详详细细的搞明白。

参考范文：
https://www.cnblogs.com/hbuwyg/p/16207524.html https://mattmazur.com/2015/03/17/a-step-by-step-backpropagation-example/

兮希NGC2237

关注

2
点赞
踩
0

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

$w_1=w_1-\eta *\bigtriangleup w_1$	$w_5=w_5-\eta *\bigtriangleup w_5$
$w_2=w_2-\eta *\bigtriangleup w_2$	$w_6=w_6-\eta *\bigtriangleup w_6$
$w_3=w_3-\eta *\bigtriangleup w_3$	$w_7=w_7-\eta *\bigtriangleup w_7$
$w_4=w_4-\eta *\bigtriangleup w_4$	$w_8=w_8-\eta *\bigtriangleup w_8$