【端到端可微1】端到端的训练，使用反向传播，要求过程可微分

本文主要是介绍【端到端可微1】端到端的训练，使用反向传播，要求过程可微分，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

背景

想做一个端到端训练的模型，将最小二乘嵌入其中。因此有了这系列文章。

想法： Weighted least-squares fitting

我们想把“最小二乘模块”嵌入深度学习中，将其作为一份子参与端到端的训练

我们设计了加权最小二乘问题。设W∈Rm×m是包含每个观测的权值wi的对角矩阵。在我们的框架中，观测结果将对应于图像参考框架中的固定(x, y)坐标，权重将由基于图像的深度网络生成。加权最小二乘问题是

方法： Backpropagating through the fitting procedure.

我们深度学习最后的卷积输出特征图，我们定义这个特征图为“一个加权像素坐标列表(xi, yi, wi)”。其中坐标(xi, yi)是固定的，而加权wi是由一个基于输入图像的深层网络生成的。我们可以利用这些值构造矩阵X, Y和w，求解加权最小二乘问题，通过加权像素坐标得到最佳拟合曲线的参数β。

与其将拟合过程作为一个单独的后处理步骤，我们可以反向传播它，并在兴趣β参数上应用一个损失函数，而不是间接地在网络产生的权值映射上。通过这种方式，我们获得了一个强大的工具，可以在深度学习框架中以端到端方式解决最小二乘的问题。

注意，方程3只涉及可微矩阵运算。因此，可以计算β对W的导数，从而也可以计算深度网络的参数。通过矩阵变换反向传播的细节已经很好地理解了。我们使用Cholesky分解推导这个问题的梯度。

β对W的导数表示为dβ/dW。这里的β和W都是变量，dβ/dW表示β对W的变化率。在求解这个导数时，我们需要将β作为独立变量，W作为因变量，然后对W进行求导。

具体的求导方法取决于β和W的具体形式和关系。如果β和W都是标量变量，那么可以直接对W求导得到dβ/dW。如果β和W是向量或矩阵变量，那么我们需要对每个元素或矩阵元素分别求导，得到一个与W相同形状的导数矩阵。

需要注意的是，在求解dβ/dW时，我们通常将其他变量视为常数，即假设它们不随W的变化而变化。这是因为我们只关注β对W的导数，而不考虑其他变量对此导数的影响。
总之，β对W的导数表示为dβ/dW，具体的求导方法取决于β和W的形式和关系。

温习之前的基础

1、2月10日 感知器+浅层神经网络+反向传播+tensorflow
2、链式法则，论文：Introduction to Gradient Descent and Backpropagation Algorithm

BP 算法是一种参数学习方法，一般分为两个过程：前向传播（求误差），反向传播（误差回传）。

那么什么是前向传播、反向传播呢？这里先说结论：前向传播是为反向传播准备好要用到的数值，反向传播本质上是一种求梯度的高效方法。

求梯度是为了什么呢？就是为了更新模型的参数（权重 W 和偏置 b）。

所有参数值随机初始化（论文乱写一通），前向传播（提交论文），误差函数（审稿），反向传播（审稿人：你这不行，改！），参数更新（修改论文），前向传播，…；反反复复，论文发表（模型训练完毕）。

前向传播

在正式介绍前向传播前，先简单介绍计算图（Computational Graph）的概念， f ( x , y , z ) = ( x + y ) ∗ z 的计算图

分别赋值 x = − 2 ， y = 5 ， z = − 4 ，从计算图的左边开始，数据开始流动，依次计算出 q 、 f 。

最终得到计算图中那 6 个绿色的数字，这就是前向传播的结果。

反向传播

我们说了，反向传播本质上是一种求梯度的高效方法。

总结

这系列文章将逐步完成一个端到端可微的模型，挖个坑。
项目开启时间：2023-07-04

但是一直拖到了11月30，最近同事讨论问题才想起来继续实施。

这篇关于【端到端可微1】端到端的训练，使用反向传播，要求过程可微分的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---