哈尔滨市香坊区建设局网站,商城建设网站,专门做爬虫的网站,网站功防教程文章目录单一输出感知机多输出感知机MLP反向传播单一输出感知机 内容解释#xff1a; w001w^1_{00}w001#xff1a;输入标号1连接标号0#xff08;第一层#xff09;x00x_0^0x00#xff1a;第0层的标号为0的值O11O_1^1O11:第一层的标号为0的输出值t#xff1a;真实…
文章目录单一输出感知机多输出感知机MLP反向传播单一输出感知机 内容解释
w001w^1_{00}w001输入标号1连接标号0第一层x00x_0^0x00第0层的标号为0的值O11O_1^1O11:第一层的标号为0的输出值t真实值σ\sigmaσ激活函数
公式推导 E12(O01−t)\begin{aligned} E\frac{1}{2}(O_0^1-t)^\ \end{aligned}E21(O01−t) 添加常数便于求导不影响单调性 ∂E∂wj0(O0−t)∂O0∂wj0(O0−t)∂σ(x0)∂wj0(O0−t)O0(1−O0)∂x01∂wj0注[σ(x0)O0](O0−t)O0(1−O0)xj0\begin{aligned} \frac{\partial E}{\partial w_{j0}} (O_0-t)\frac{\partial O_0}{\partial w_{j0}}\\ (O_0-t)\frac{\partial \sigma(x_0)}{\partial w_{j0}}\\ (O_0-t) O_0(1- O_0)\frac{\partial x_0^1}{\partial w_{j0}} 注[\sigma(x_0)O_0]\\ (O_0-t) O_0(1- O_0)x_j^0 \end{aligned}∂wj0∂E(O0−t)∂wj0∂O0(O0−t)∂wj0∂σ(x0)(O0−t)O0(1−O0)∂wj0∂x01注[σ(x0)O0](O0−t)O0(1−O0)xj0 简单实践代码
x torch.randn(1,10)
w torch.randn(1,10,requires_gradTrue)
o torch.sigmoid(xw.t())
loss F.mse_loss(torch.ones(1,1),o)
loss.shape
loss.backward()
w.grad多输出感知机 内容解释 和单层的一摸一样只是多了几个输出注意下标即可 公式推导 E12∑(Oik−tk)\begin{aligned} E\frac{1}{2}\sum(O_i^k-t_k)^\ \end{aligned}E21∑(Oik−tk) 添加常数便于求导不影响单调性 ∂E∂wjk(Ok−tk)∂Ok∂wjk注[下标对上才有值](Ok−tk)∂σ(xk)∂wjk(Ok−tk)Ok(1−Ok)∂xk1∂wjk(Ok−tk)Ok(1−Ok)xj1\begin{aligned} \frac{\partial E}{\partial w_{jk}} (O_k-t_k)\frac{\partial O_k}{\partial w_{jk}}注[下标对上才有值]\\ (O_k-t_k)\frac{\partial \sigma(x_k)}{\partial w_{jk}}\\ (O_k-t_k) O_k(1- O_k)\frac{\partial x_k^1}{\partial w_{jk}} \\ (O_k-t_k) O_k(1- O_k)x_j^1 \end{aligned}∂wjk∂E(Ok−tk)∂wjk∂Ok注[下标对上才有值](Ok−tk)∂wjk∂σ(xk)(Ok−tk)Ok(1−Ok)∂wjk∂xk1(Ok−tk)Ok(1−Ok)xj1 即只需要输出和对应输入即可计算
简单实践代码
x torch.randn(1,10)
w torch.randn(2,10,requires_gradTrue)
o torch.sigmoid(xw.t())
loss F.mse_loss(torch.ones(1,2),o)
loss.shape
loss.backward()
w.gradMLP反向传播 内容解释 MLP即Multi-Layer Perceptron多层感知机 公式推导 ∂E∂Wij∂∂Wij12∑k∈K(Ok−tk)2∑k∈K(Ok−tk)∂∂WijOk∑k∈K(Ok−tk)∂∂Wijσ(xk)∑k∈K(Ok−tk)Ok(1−Ok)∂xk∂wij∑k∈K(Ok−tk)Ok(1−Ok)∂xk∂Oj⋅∂Oj∂wij∑k∈K(Ok−tk)Ok(1−Ok)Wjk∂Oj∂wijOj(1−Oj)∂xj∂Wij∑k∈K(Ok−tk)Ok(1−Ok)WjkOj(1−Oj)Oi∑k∈K(Ok−tk)Ok(1−Ok)Wjk注[层数从左到右为ijk]\begin{aligned} \frac{\partial E}{\partial W_{ij}} \frac{\partial }{\partial W_{ij}}\frac{1}{2}\sum_{k\in K}(O_k-t_k)^2\\ \sum_{k\in K}(O_k-t_k)\frac{\partial }{\partial W_{ij}}O_k\\ \sum_{k\in K}(O_k-t_k)\frac{\partial }{\partial W_{ij}}\sigma(x_k)\\ \sum_{k\in K}(O_k-t_k) O_k(1- O_k)\frac{\partial x_k}{\partial w_{ij}} \\ \sum_{k\in K}(O_k-t_k) O_k(1- O_k)\frac{\partial x_k}{\partial O_j}\cdot\frac{\partial O_j}{\partial w_{ij}}\\ \sum_{k\in K}(O_k-t_k) O_k(1- O_k)W_{jk}\frac{\partial O_j}{\partial w_{ij}}\\ O_j(1-O_j)\frac{\partial x_j}{\partial W_{ij}}\sum_{k\in K}(O_k-t_k) O_k(1- O_k)W_{jk}\\ O_j(1-O_j)O_i\sum_{k\in K}(O_k-t_k) O_k(1- O_k)W_{jk}\\ 注[层数从左到右为 i jk] \end{aligned}∂Wij∂E∂Wij∂21k∈K∑(Ok−tk)2k∈K∑(Ok−tk)∂Wij∂Okk∈K∑(Ok−tk)∂Wij∂σ(xk)k∈K∑(Ok−tk)Ok(1−Ok)∂wij∂xkk∈K∑(Ok−tk)Ok(1−Ok)∂Oj∂xk⋅∂wij∂Ojk∈K∑(Ok−tk)Ok(1−Ok)Wjk∂wij∂OjOj(1−Oj)∂Wij∂xjk∈K∑(Ok−tk)Ok(1−Ok)WjkOj(1−Oj)Oik∈K∑(Ok−tk)Ok(1−Ok)Wjk注[层数从左到右为ijk] 如果将仅与第k层相关的信息作为一个函数可以写作 ∂E∂WijOiOj(1−Oj)∑k∈KδkWjk\begin{aligned} \frac{\partial E}{\partial W_{ij}}O_iO_j(1-O_j)\sum_{k\in K}\delta _kW_{jk} \end{aligned}∂Wij∂EOiOj(1−Oj)k∈K∑δkWjk
所以一个前面层的值依赖后面层的信息需要倒着计算才行哦
