深度学习——反向传播算法及代码实例(B站刘二大人P4学习笔记)
1 为什么要引入反向传播算法? 在之前的学习中,我们仅仅学习了只有一层的神经网络的计算,例如模型函数为
文章图片
,在使用梯度下降算法进行训练的时候,很轻松就可以利用求导公式计算出
文章图片
。
但是在神经网络中不可能仅仅只有一层,神经网络就像我们大脑的神经系统,由很多层攀枝交错,经过多层函数的嵌套,不断的使我们训练的函数逼近真实的函数。如图所示是一个多层神经网络的示例图。
文章图片
经过多层的嵌套,参数数量不断增加,我们很难利用求导公式直接求出
文章图片
。所以这时我们引入反向传播算法。
2 反向传播算法原理 反向传播算法就类似于我们高数中所学的复合函数求导,例如两层的神经网络,就类似于两层的复合函数
文章图片
,这时求
文章图片
对x的导数,就可以先计算
文章图片
,再计算
文章图片
,两数相乘就计算出了
文章图片
。如图所示是反向传播算法的计算原理(先前馈,后反馈):
文章图片
【深度学习——反向传播算法及代码实例(B站刘二大人P4学习笔记)】此模型的计算图如下图所示:
文章图片
3 代码实例
import torchx_data = https://www.it610.com/article/[1.0, 2.0, 3.0]
y_data = [2.0, 4.0, 6.0]# torch.Tensor()生成新的张量
w = torch.Tensor([1.0])
# 是否需要计算梯度?——True
w.requires_grad = Truedef forward(x):
return x * wdef loss(x, y):
y_pred = forward(x)
return (y_pred - y) ** 2# .item()的作用主要是把数据从tensor取出来,变成python的数据类型
print("训练前的预测是", 4, forward(4).item())
for epoch in range(100):
for x, y in zip(x_data, y_data):
l = loss(x, y)
# 利用PyTorch的反向传播函数求梯度
l.backward()
# 这里是数值计算,w一定要取data值,tensor做加法运算会构建运算图,消耗内存
print('\tgrad:', x, y, w.grad.item())
w.data = https://www.it610.com/article/w.data - 0.01 * w.grad.data# 每次反向传播的数据要清零
w.grad.data.zero_()
print("progress:", epoch, l.item())
print("训练之后的预测值是", 4, forward(4).item())
注意:1、torch.Tensor()作用是生成新的张量
2、w.requires_grad = True意思是:是否需要计算梯度?——True
3、.item()的作用主要是把数据从tensor取出来,变成python的数据类型
4、.backward()函数:反向传播求梯度
5、w一定要取data值进行数值计算,tensor做加法运算会构建运算图,消耗内存
6、w.grad.data.zero_(): 每次反向传播的数据要清零,否则梯度值是每次计算相加的总额
推荐阅读
- 急于表达——往往欲速则不达
- 慢慢的美丽
- 《真与假的困惑》???|《真与假的困惑》??? ——致良知是一种伟大的力量
- 2019-02-13——今天谈梦想()
- 考研英语阅读终极解决方案——阅读理解如何巧拿高分
- Ⅴ爱阅读,亲子互动——打卡第178天
- 由浅入深理解AOP
- 低头思故乡——只是因为睡不着
- 取名——兰
- 继续努力,自主学习家庭Day135(20181015)