人工智能作业3

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)

运行结果：

2.对比作业三和作业二的程序，观察两种方法结果是否相同？如果不同，哪个正确？

不相同，PyTorch算出来的正确。

3.作业2 程序更新：

人工智能作业2
更改后STEP = 999时的梯度与权值：

可以看出y1’ = 0.22994,y2’ = 0.00199 与所期待的0.23，-0.07相比以及较为接近。

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。

作业二为手动计算反向传播过程中的各参数最后得到参数梯度

作业三使用了tensor数据结构，最后在张量节点的loss中使用backword（）方法自动计算梯度值。

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

原本写的：

使用pytorch自带：

自带函数效率更高。

6.激活函数Sigmoid改变为Relu，观察、总结并陈述。

速度相较于前两个更快，效率更高。

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

通过预测值和实际值y_pred和y计算函数的损失值loss。

8.损失函数MSE改变为交叉熵，观察、总结并陈述。

误差相对与前几个较大

九、改变步长，训练次数，观察、总结并陈述

step = 5
step = 20

step =100

收敛速度随着step增加而变快

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，
结果：

随着迭代次数增加逐渐准确，初始值基本不影响最后收敛

11.全面总结反向传播原理和编码实现，认真写心得体会。

反向传播可以解决偏导数计算过多的情况，有点像连坐，就是数学中的迭代算法就是根据上一层的输出，计算下一层的更新量，与结果。