NNDL 作业3:分别使用numpy和pytorch实现FNN例题

  1. 过程推导 - 了解BP原理
  2. 数值计算 - 手动计算,掌握细节
  3. 代码实现 - numpy手推 + pytorch自动

过程推导、数值计算,以下三种形式可任选其一:

  • 直接在博客用编辑器写
  • 在电子设备手写,截图
  • 在纸上写,拍照发图

代码实现:

NNDL 作业3:分别使用numpy和pytorch实现FNN例题_第1张图片

  1.  对比【numpy】和【pytorch】程序,总结并陈述。
  2. 激活函数Sigmoid用PyTorch自带函数torch.sigmoid(),观察、总结并陈述。
  3. 激活函数Sigmoid改变为Relu,观察、总结并陈述。
  4. 损失函数MSE用PyTorch自带函数 t.nn.MSELoss()替代,观察、总结并陈述。
  5. 损失函数MSE改变为交叉熵,观察、总结并陈述。
  6. 改变步长,训练次数,观察、总结并陈述。
  7. 权值w1-w8初始值换为随机数,对比“指定权值”的结果,观察、总结并陈述。
  8. 权值w1-w8初始值换为0,观察、总结并陈述。
  9. 全面总结反向传播原理和编码实现,认真写心得体会。

题目为开放式题目,除了要求的内容,鼓励探索更多问题,深入了解FNN、BP,不留疑点


REF: 

  1. 【2021-2022 春学期】人工智能-作业2:例题程序复现 numpy版
  2. 【2021-2022 春学期】人工智能-作业3:例题程序复现 PyTorch版
  3. 【人工智能导论:模型与算法】误差后向传播(BP) 例题 编程验证 numpy版本
  4. 【人工智能导论:模型与算法】误差后向传播(BP) 例题 编程验证 Pytorch版本 
  5. 【人工智能导论:模型与算法】误差后向传播(BP) 例题 编程验证【勘误版】

你可能感兴趣的:(DeepLearning,numpy,pytorch,python)