数值微分计算了神经网络的损失函数关于权重参数的梯度,数值微分虽然简单,也容易实现,但缺点是计算上比较费时间
下面是一种高效计算权重参数的方法——误差反向传播法,原理是根据链式法则,倒着来,主要内容是推各种激活函数,层的backward
ReLU
如果正向传播时的输入值小于等于0,则反向传播的值为0。因此,反向传播中会使用正向传播时保存的mask,将从上游传来的dout的mask中的元素为True的地方设为0。
ReLU层的作用就像电路中的开关一样。正向传播时,有电流通过的话,就将开关设为 ON;没有电流通过的话,就将开关设为 OFF。反向传播时,开关为ON的话,电流会直接通过;开关为OFF的话,则不会有电流通过。
class Relu:
def __init__(self):
self.mask = None
def forward(self, x):
self.mask = (x <= 0)
out = x.copy()
out[self.mask] = 0
return out
def backward(self, dout):
dout[self.mask] = 0
dx = dout
return dx
Relu类有实例变量mask。这个变量mask是由True/False构成的NumPy数组,self.mask = (x <= 0)
它会把正向传播时的输入x的元素中小于等于0的地方保存为True,其他地方(大于0的元素)保存为False
dout=np.array([1,2,3,4])
mask=np.array([True,False,True,False])
dout[mask]=0
print(dout)
>>>[0 2 0 4]
Sigmod
乘法的反向传播会将上游的值乘以正向传播时的输入信号的“翻转值”后传递给下游
加法节点的反向传播输入的值会原封不动地流向下一个节点
class Sigmoid:
def __init__(self):
self.out = None
def forward(self, x):
out = 1 / (1 + np.exp(-x))
self.out = out
return out
def backward(self, dout):
dx = dout * (1.0 - self.out) * self.out
return dx
Affine
class Affine:
def __init__(self, W, b):
self.W =W
self.b = b
self.x = None
self.original_x_shape = None
self.dW = None
self.db = None
def forward(self, x):
# 用于backward 将形状变回去
self.original_x_shape = x.shape
x = x.reshape(x.shape[0], -1)
self.x = x
out = np.dot(self.x, self.W) + self.b
return out
def backward(self, dout):
dx = np.dot(dout, self.W.T)
self.dW = np.dot(self.x.T, dout)
self.db = np.sum(dout, axis=0)
dx = dx.reshape(*self.original_x_shape) # 返回输入数据的形状
return dx
class test:
def __init__(self):
self.x=np.empty([3,2,2,2])
def test(self):
print(self.x.shape) # (3, 2, 2, 2)
print(*self.x.shape) # 3 2 2 2
x= np.empty((3,2,2,2))
y=x.reshape((x.shape[0],-1))
a= np.empty((3,8))
b= a.reshape((3,2,2,2))
print(y.shape) # (3, 8)
print(b.shape) # (3, 2, 2, 2)
Softmax-with-Loss
softmax函数会将输入值正规化之后再输出
神经网络中进行的处理有推理(inference)和学习两个阶段。神经网络的推理通常不使用 Softmax层。比如,用图 5-28的网络进行推理时,会将最后一个 Affine层的输出作为识别结果。神经网络中未被正规化的输出结果(图 5-28中 Softmax层前面的 Affine层的输出)有时被称为“得分”。也就是说,当神经网络的推理只需要给出一个答案的情况下,因为此时只对得分最大值感兴趣,所以不需要 Softmax层。不过,神经网络的学习阶段则需要 Softmax层。
def softmax(x):
if x.ndim == 2:
x = x.T
x = x - np.max(x, axis=0)
y = np.exp(x) / np.sum(np.exp(x), axis=0)
return y.T
x = x - np.max(x)
return np.exp(x) / np.sum(np.exp(x))
def cross_entropy_error(y, t):
if y.ndim == 1:
t = t.reshape(1, t.size) # 正确标签数据
y = y.reshape(1, y.size) # softmax输出后的数据
# 输入数据为为one-hot-vector时,转换为正确标签的索引
if t.size == y.size:
t = t.argmax(axis=1)
batch_size = y.shape[0]
return -np.sum(np.log(y[np.arange(batch_size), t] + 1e-7)) / batch_size
class SoftmaxWithLoss:
def __init__(self):
self.loss = None
self.y = None # softmax输出
self.t = None # 输入
def forward(self, x, t):
self.t = t
self.y = softmax(x)
self.loss = cross_entropy_error(self.y, self.t)
return self.loss
def backward(self, dout=1):
batch_size = self.t.shape[0]
if self.t.size == self.y.size: # 输入数据为one_hot类型
dx = (self.y - self.t) / batch_size
else:
dx = self.y.copy()
dx[np.arange(batch_size), self.t] -= 1
dx = dx / batch_size
return dx