【22-23春】AI作业6

1. 梯度下降：梯度下降法是一个一阶最优化算法，也称为最陡下降法，在线性回归和逻辑斯蒂回归中都有应用。主要目的是通过迭代找到目标函数的最小值或收敛到最小值。使用梯度下降法找到函数的最小值，必须向函数上当前点对应或近似的梯度的反方向的规定步长距离点进行迭代搜索。
2. 反向传播：反向传播是“误差反向传播”的简称，是一种与最优化方法如梯度下降法结合使用的、用来训练人工神经网络的常见方法。该方法对网络中所有权重计算损失函数的梯度，这个梯度会反馈黑最优化方法，用来更新权值从而最小化损失函数。当输出层输出的数据和设定的目标以及标准相差较大，可以使用反向传播。逐层求出目标函数对神经元权值的偏导数，构成目标函数对权值向量的梯度，对权重值的优化提供依据。
3. 计算图：计算图是用图论语言表示数学函数的一种方式。计算图被定义为有向图，节点由边连接，是输入值或用于组合值的函数。其中节点表示计算单元，边表示数据流动，即数据在计算单元之间的传递。当数据流过图形时，边会收到其权重，输入节点的出站边用该输入值加权；来自函数节点的出站节点通过使用指定函数组合入站边的权重来加权。使用计算图的优点有，可以在运行时动态地构建和修改计算过程，并且可以利用硬件加速来提高计算效率。
4. 使用Numpy编程实现例题

   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)
   
       error = (1 / 2) * (out_o1 - y1) ** 2 + (1 / 2) * (out_o2 - y2) ** 2
   
       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
   return d_w1, d_w2, d_w3, d_w4, d_w5, d_w6, d_w7, d_w8

   

5.  使用PyTorch的Backward（）编程实现例题
    

   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)
   
       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  
       return loss_mse