零基础入门深度学习(3) - 神经网络和反向传播算法

网友评论

• 
  ea09d5196f90:老师您好，我是一名学生，我在学习您bp.py中的Node类中的calc_output()方法时，不明白reduce函数中的ret为什么能参与运算，我的理解是它是一个Connection对象，就像conn。期待您的解答，感谢。
  def calc_output(self):
  output = reduce(lambda ret, conn: ret + conn.upstream_node.output * conn.weight,
  self.upstream, 0)
  self.output = sigmoid(output)
• WEIYAFEI:您好，我是一名大学生。在学习您的bp.py中的Node类的代码时，不明白 ‘conn.upstream_node.output * conn.weigh’中的‘conn.upstream_node.output’和‘conn.weigh’是何时被定义过的。非常想解决这个问题，希望您能抽出时间为我解答，感谢。
  def calc_output(self):
  output = reduce(lambda ret, conn: ret + conn.upstream_node.output * conn.weight, self.upstream, 0)
  self.output = sigmoid(output)

  ea09d5196f90:同学你好，我正好也在看这篇文档，也许能回答一下你的问题。
  conn.upstream_node.output中，conn是一个Connection对象，它在初始化的时候会有upstream_node和weight这两个属性。不知道这样能不能解答你的问题。
  我在同样一行的代码也遇到了问题，我的问题是reduce函数中的ret为什么能参与运算，我的理解是它是一个Connection对象，怎么会与数值进行计算呢。如果你知道，请你帮忙解答一下，谢谢！
• 十一Dreamer:def backward(self, delta_array):
  '''
  反向计算W和b的梯度
  delta_array: 从上一层传递过来的误差项
  '''
  # 式8
  self.delta = self.activator.backward(self.input) * np.dot(
  self.W.T, delta_array)
  self.W_grad = np.dot(delta_array, self.input.T)
  self.b_grad = delta_array
  您好，在计算delta的时候，传入的参数为self.activator.backward(self.input)，按照推导的公式，这儿不是self.output吗？不知道理解的对不对，还麻烦讲解一下，非常感谢。
• 
  8ecf6f4b97c0:bp.py中，ConstNode的隐藏层计算函数calc_hidden_layer_delta，由于self.ouput=1, 而计算结果应该恒为0。从ConstNode存在的意义来看，应该不需要存在计算的函数，是否相关函数都可以使用空函数，还是由其他考虑？
• 
  eb1edeba7214:ef backward(self, delta_array):
  '''
  反向计算W和b的梯度
  delta_array: 从上一层传递过来的误差项
  '''
  # 式8
  self.delta = self.activator.backward(self.input) * np.dot(
  self.W.T, delta_array)
  self.W_grad = np.dot(delta_array, self.input.T)
  self.b_grad = delta_array
  根据公式 b_grad 不应该等于self.delta么

  韩炳涛: @nk_lwang 上一层传过来的误差项是用来计算本层的权重和bias，本层的误差项是用来计算下一层的权重和bias。这个是为了方便代码实现，也就是每一层计算出来的self.delta都是为了给下面的层来用的。
• 
  3b814f22610b:冒昧问下, bp的推导是不是有问题, 公式(30-31), 公式(38-39).
  麻烦check下, 谢谢!

  3b814f22610b:a_j = f(net_j), 求导应该是f'(net_j), 是不是这样?
• 
  豌豆的号角:教程很好，已收藏，但是我跑了一下神经网络的程序，跑出来错误率有0.6，也就是识别正确率才0.4，请问预期的是多少？
• 北静王:首先，非常感谢作者能够提供这么好的学习笔记。
  我在学习您的教程的过程中，遇到了一些问题，现写下来和您探讨一下。
  1. 教程三中，向量化推导中，式8误差在反向传播中，是从后面的层向前传播的，所以应该是（l+1）而不是（l-1）
  2. 教程三中，代码中FullConnectedLayer初始化的时候b和output都是使用的numpy的二维方式初始化的（其中第二维大小是1），在forward的计算中，wx+b这里就会出错，由于np.dot(self.W, input_array) 计算出来的是一个一维的向量，但是b是个二维的，所以有bug。
  3. sigmod函数的溢出问题。
  
  最后想知道您是否还有其他的教程可以学习，近期有出新教程的计划没有。谢谢！

  韩炳涛:1. 原文写错了，已改正
  2. 文章中的代码可能不是最新的，我把代码放到GitHub上了https://github.com/hanbt/learn_dl，是可以运行的版本。
  3. 有时候会这样，不过可以忽略，最终仍然能够收敛。
• 
  81bc38e348aa:专门注册来评论。非常感谢您的教程，非常好，原理讲的很详细，然后也有代码实践和注意事项。
  刚刚看到第3讲，“向量化编程”这里的关于W更新的地方，(式8)，有两处我觉得可能写错了，您看一下
  
  1. 第l层的误差项，应该是由第l+1层的误差项反向传播过来计算的吧，这样的话式子右边delta的上标不是应该是l+1吗
  2. 还是关于式8，W的更新，应该是第l层更新时候用的W矩阵应该是l+1层的W矩阵吧？
  我看你代码中 FullConnectedLayer类 第39行直接是用到当前层W转置，应该是下一层的W矩阵的转置吧？
  
  上面是我的两个疑问点，还请不吝赐教。

  韩炳涛:1. 原文写错了，已改正
  2. delta_array保存的是误差函数E当对于第l层的加权输入的导数，因此，按照式8计算的是l-1层的δ。
• 
  c320fc7c09e6:按写法定义了
  def sigmoid(output):
  return 1.0 / (1.0 + np.exp(-output))
  
  跑出来：
  C:/work/dp/bp.py:103: RuntimeWarning: overflow encountered in exp
  return 1.0 / (1.0 + np.exp(-output))
  
  楼主有遇到么？请问有完成可以跑的代码下载测试么

  韩炳涛: @太平洋的风在转 有时候会这样，不影响收敛。
• 
  c320fc7c09e6:看了第一遍，是个好教程。请问现在做什么工作呢
• 
  来个芒果:写的很好，赞一个，我有两个疑问。
  1 为什么δ要这样取值，有什么说法吗？
  2 为什么δ中求偏导时，要对加权值netj求骗到，对j的输出值aj求偏导不是更方便吗？
  望指导,谢谢

  韩炳涛: @asdfcxz 韩炳涛: @asdfcxz 没什么特别的道理，就是为了实现方便。因为加权输入正好是wx的计算结果，对加权输入求偏导，得到的值点乘w的转置就是向前一层传递的残差，叉乘x就是w的梯度，把这个值保存起来写代码最方便。如果你保存对aj的偏导，那么你向上传递残差时需要计算一次激活函数的导数，等你计算w的梯度时还得重新再算一次激活函数的偏导。
• 晴天雨_fa54:写的很详细~
• 晴天雨_fa54:老师您好，在向量化编程部分的Network类里，第12行有个SigmoidActivator()函数，运行出错，并没有这个函数的定义啊。

  韩炳涛:@Thunder_54a5 https://github.com/hanbt/learn_dl

  0f5ec7e78236:请问在github上有完整的代码下载吗？
  

  韩炳涛: @晴天雨_fa54 多谢指出，回头我把这个函数加上
• 
  a5c9650ee2e4:想问一下老师，对于变分自编码器原理能不能讲一下
• 
  0dbee5d5d1da:Network中train_one_sample缺少calc_gradient
  该为 get_gradient然后update_weight吧

  0dbee5d5d1da:@韩炳涛 是我看得不仔细，哈哈！by the way，教程写得很赞！！！期待后续~

  韩炳涛:@BlackKing_S 程序本身是没有错的，我把calc_gradient放在update_weight里面了。虽然本身没错，不过这种写法确实可读性不好，谢谢你指出这个问题，后续我会重构一下。
• 
  665f7f4215d9:讲的很透彻，赞！ 另外，公式里面的式(6)和(24)好像有笔误

  韩炳涛:@青青021 确实写错了。已经改过来了，多谢多谢
• 轀墨:学习了
• 木马木马木:先关注，洗完澡再来磕。

  韩炳涛:@鄞姐姐 其实洗完澡睡一觉再来磕更好:P