[PyTorch][chapter 8][李宏毅深度学习][Back propagation]

前言：

              反向传播算法(英:Backpropagation algorithm，简称:BP算法)是一种监督学习算法，常被用来训练多层感知机。 它用于计算梯度计算中，降低误差。

      

目录：

1.     链式法则
2.     模型简介（Model）
3.     损失函数,梯度
4.     手写例子
5.     min-batch

---

一  链式法则

      链式法则是反向传播算法里面的核心。

     case1： , x,y,z 都是scalar

                       

                             

      case2:  ,s,x,y,z 都是scalar

                   

                       

      case3:   x,y,z 都是向量vector

                   

                    

---

二  模型（Model)

以常用的网络模型DNN 为例：

 激活函数为 

 总的层数为 L

---

三    损失函数,梯度

       3.1 损失函数

           

       3.2 梯度更新

               梯度计算分为两步：

   Forward pass, Backward pass

         a Forward pass

               假设 :

            利用微分和迹的关系很容易得到

         

          b  Backward pass  

               假设为最后一层L

                 

                       

                      

            我们用数学归纳法，第L层的已经求出， 假设第l+1层的已经求出来了，那么我们如何求出第l层的呢？

                

                    

                    

                    

                    

---

四   简单DNN 网络例子

 4.1 说明：

          这里面随机生成5张图形，分别对应手写数字1,2,3,4,5。

简单的了解一下如何快速搭建一个DNN Model, 梯度如何计算，更新的.

 

# -*- coding: utf-8 -*-
"""
Created on Fri Dec 15 17:21:35 2023

@author: chengxf2
"""

import torch 
from torch import nn
from torch import optim


class DNN(nn.Module):
    
    '''
    它是一个序列容器，是nn.Module的子类。 
    `nn.Sequential` 中的层是有顺序的，而且严格按照其顺序执行
    相邻两个层连接必须保证前一个层的输出与后一个层的输入相匹配。
    '''
    def __init__(self):
        
        super(DNN, self).__init__()
        
        self.net = nn.Sequential(
            nn.Linear(in_features=28*28, out_features=500),
            nn.Sigmoid(),
            nn.Linear(in_features=500, out_features=10),
            nn.Sigmoid()
            )

    def forward(self, input):
        
        output = self.net(input)
        
        return output


def train():
    
    device = torch.device("cuda:0" if torch.cuda.is_available() else "cpu")
    
    model = DNN()
    criteon = torch.nn.CrossEntropyLoss(reduction='mean')
    optimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)
    batch_size= 5
    data = torch.rand((batch_size,28*28))
    epochs = 2
    target = torch.tensor([0,1,2,3,4])
    target = target.to(device)
    
    for epoch in range(epochs):
        
        yHat = model(data)
        loss = criteon(yHat, target)
        loss.backward()
        print("\n loss ",loss)
        
        optimizer.step()
        

if __name__ == "__main__":
    train()
    
    
    

 

---

五  min-batch

  在深度学习训练中,数据集我们通常采用min-batch 方案

    我们采用随机梯度方法，是为了加快运算速度。

但是GPU 可以并行运算，所以可以采用min-batch 方法进行梯度计算。

   使用min-batch 有个限制：

    1： 硬件限制 batch 不能超过硬件大小

    2:    batch 不能太大，否则容易陷入到局部极小值点，采用小的batch 可以有一定的随机性

每次出发点都不一样，一定概率跳过局部极小值点

参考：

7: Backpropagation_哔哩哔哩_bilibili

https://www.cnblogs.com/pinard/p/6422831.html

CSDN

8-1: “Hello world” of deep learning_哔哩哔哩_bilibili