深度學習入門 第5章 誤差反向傳播法（二）

此為本人學習《深度學習入門》的學習筆記

本節將用 python 實現前面的購買蘋果的例子。這裡，我們把要實現的計算圖的乘法節點稱為「乘法層」（mullayer），加法節點稱為「加法層」（addlayer）。

1、乘法層的實現

層的實現中有兩個共通的方法（介面）forward()

class

mullayer:
def__init__
(self):
self.x =none
self.y =none
defforward(self, x, y):
self.x =x
self.y =y
out = x *y
return
out    
defbackward(self, dout):
dx = dout * self.y #
翻轉x和y
圖 5-16　購買 2 個蘋果
使用這個乘法層的話，圖 5-16 的正向傳播可以像下面這樣實現

用 python 實現圖 5-17 的計算圖的過程如下所示

圖 5-18　relu 層的計算圖

class

relu:
def__init__
(self):
self.mask =none
defforward(self, x):
self.mask = (x <=0)
out =x.copy()
out[self.mask] =0
return
out    
defbackward(self, dout):
dout[self.mask] =0
dx =dout
return dx

用計算圖表示式子（5.9）的話，則如圖5-19所示

圖 5-19　sigmoid 層的計算圖（僅正向傳播）

步驟 1

步驟 2

「+」節點將上游的值原封不動地傳給下游。計算圖如下所示。

步驟 3

計算圖中，上游的值乘以正向傳播時的輸出（這個例子中是 exp(-x)）後，再傳給下游。

步驟 4

「×」節點將正向傳播時的值翻轉後做乘法運算。因此，這裡要乘以 -1。

圖 5-20　sigmoid 層的計算圖

機器學習 誤差逆傳播演算法 反向傳播演算法

誤差逆傳播演算法 error backpropagation，bp 是神經網路中常用的傳播演算法。bp演算法不僅可以應用於多層前饋神經網路，還可以應用於其他型別的神經網路，如訓練遞迴神經網路。通常所說的 bp網路 一般是指用bp演算法訓練的多層前饋神經網路。給定訓練集 d left y x y x ...

反向誤差傳播演算法學習筆記

構建cost function的表示式的函式，其神經網路圖如下，其 1和 2已經訓練好。輸入x為5000 400的矩陣 5000個元素，400個畫素 y為5000 1的矩陣 其中有5000個結果，以1,2,3,4,5,6,7,9,10 代表0 為label a1 ones size x,1 1 x ...

三 PyTorch 深度學習 反向傳播

import torch x data 1.0 2.0 3.0 y data 2.0 4.0 6.0 w torch.tensor 1.0 w的初值為1.0 w.requires grad true 需要計算梯度 defforward x return x w w是乙個tensor defloss ...