python - 实现一般的反向传播

问题描述

我正在尝试为具有任意激活函数的全连接层实现反向传播方法。我理解算法背后的一般思想和数学，但我在理解矢量化形式时遇到了困难......

我需要帮助了解元素的预期尺寸

已知尺寸：

输入 - self.X 是大小 (N,128)
权重 - self.W 是大小 (128,10)
偏差 - self.b 是大小 (128,10)
输出 - self.y 是大小 (N,10)
线性输出（激活前） - self.z 的大小为 (N,10)

未知大小： 对于N=1（示例数）

dy - 下一层的梯度 - 它应该是什么大小？
dz - 激活函数的导数 - 它应该是什么大小？
self.d - 当前层的梯度 - 它应该是什么大小？

这是我的代码：

def backward(self, dy):
    if self.activator == 'relu':
        dz = np.zeros((self.z.shape[0], self.z.shape[1]))
        dz[self.z>0] = 1
    elif self.activator == 'sigmoid':
        dz = self.z * (1 - self.z)
    elif self.activator == 'soft-max':
        s = self.z.reshape(-1, 1)
        dz = np.diagflat(s) - np.dot(s, s.T)
    elif self.activator == 'none':
        dz = 1

    self.d = np.dot((dz * dy), self.W.T) # the error of the layer
    self.W_grad = np.dot(self.X.T, dy) # The weight gradient of the layer
    self.b_grad = np.sum(dy, axis=0).reshape(1, -1) # The bias gradient of the layer

标签： pythonnumpyneural-networkbackpropagation

我相信，您的代码中存在轻微的混淆：您编写的是激活前self.z的线性输出，但出于某种原因，使用它来计算您调用的激活导数。它应该使用激活值。然后，假设您计算了该值（我称它为不与我的其他混合），试试这个：dzprimedz

dz = dy * prime
dW = np.dot(dz, self.z.T)
db = np.sum(dz, axis=1, keepdims=True)
d = np.dot(self.W.T, dz)

python - 实现一般的反向传播

问题描述

解决方案

推荐阅读