读Joone源代码有感（3）

阅读更多

 

主程序的执行流程

1．  对各Layer和Synapse的初始化

a)         初始化各Layer和Synapse的Learner (BasicLearner, BatchLearner, RpropLearner)

2．  循环多次向前和向后的过程

a)         stepForward

                        i.              Training Data中取出一个pattern(样本)作为输入

                      ii.              调用InputLayer的forward方法（激化函数），在本例中是Y=beta*X

                    iii.              把结果输出到对应的OutputSynapse中，并调用forward方法（与权值矩阵相乘，储存在outs对象里）

                     iv.              从outs对象里取出数据并调用HiddenLayer的forward方法，在本例中是Y=1/1+eX

                       v.              同步骤3）

                     vi.              从outs对象里取出数据并调用OutputLayer的forward方法，在本例中是Y=1/1+eX

                   vii.              把结果输出到对应的TeacherSynapse中，并调用forward方法（把与Desired Data里样本的差值储存在outs对象里）

b)        stepBackward

                        i.              从TeacherSynapse的outs对象里取出数据并放入gradientInps对象中，并调用OutputLayer的backward方法，本例中是gradientOuts=gradientInps*[out*(1-out)+a]

                      ii.              把gradientOuts输出到对应的InputSynapse中，并调用backward方法

1.         与权值矩阵相乘，放入bouts对象里，作为输出

2.         修改权值矩阵

a)         aDelta=defaultDelta+momentum*delta[i][j]

注：1)defaultDelta=learningRate*gradientWeight 2)gradientWeight=gradientOuts*inps

b)        delta[i][j]=aDelta

c)         value[i][j]=value[i][j]+delta[i][j]

                    iii.              对于HiddenLayer和InputLayer类似与过程1),2)

3．  对各Layer和Synapse停止和清理

a)         同向前传播一次零样本，达到各Layer和Synapse清理工作