CS231n作业笔记2.1:两层全连接神经网络的分层实现

2023-12-15 23:38

本文主要是介绍CS231n作业笔记2.1:两层全连接神经网络的分层实现,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!

CS231n简介

详见 CS231n课程笔记1:Introduction。
本文都是作者自己的思考,正确性未经过验证,欢迎指教。

作业笔记

1. 神经网络的分层实现

实现全连接层+ReLU层的前向传播与后向传播。
参考资料:CS231n课程笔记4.2:神经网络结构,CS231n课程笔记4.1:反向传播BP, CS231n作业笔记1.6:神经网络的误差与梯度计算,CS231n作业笔记1.5:Softmax的误差以及梯度计算。

  1. 全连接前向传播:out = x.reshape([x.shape[0],-1]).dot(w)+b
  2. 全连接后向传播:
x, w, b = cachedx, dw, db = None, None, Nonedw = x.reshape([x.shape[0],-1]).T.dot(dout)db = np.sum(dout,axis = 0)dx = dout.dot(w.T).reshape(x.shape)
  1. ReLU的前向传播:out = x*(x>0)
  2. ReLU的后向传播:dx = dout * (x>0)

2. 两层全连接神经网络的打包实现

把上诉神经层串联起来,构造两层全连接神经网络。

2.1. 参数初始化

使用numpy.random.randn函数,用于服从标准分布的随机参数。注意:不要使用numpy.random.rand函数(用于生成[0,1)内的平均分布);也可以使用numpy.random.normal函数。

    self.params['W1'] = np.random.randn(input_dim,hidden_dim)*weight_scaleself.params['b1'] = np.zeros(hidden_dim)self.params['W2'] = np.random.randn(hidden_dim,num_classes)*weight_scaleself.params['b2'] = np.zeros(num_classes)

2.2. 计算loss以及gradient

此函数用于计算loss,以及各个参数的梯度。大致上就是把上诉两个神经层以及最后一层softmax按照一定的形式串联起来。
注意:对于全连接神经网络,bias部分不进行正则化。因为bias不与数据相乘,所以不具有控制数据各个维度对最后影响大小的作用。(然而如果归一化做的好,对bias做正则化,不会使得效果变差,原因可能是因为bias比weight的数目少太多,模型能够支持对于bias的变化以获得更好的准确率)[参考资料:Neural Networks Part 2: Setting up the Data and the Loss]

1.计算score

    scores = NoneW1,b1,W2,b2 = self.params['W1'],self.params['b1'],self.params['W2'],self.params['b2']fc1_out,fc1_cache = affine_forward(X,W1,b1)relu_out,relu_cache = relu_forward(fc1_out)fc2_out,fc2_cache = affine_forward(relu_out,W2,b2)scores = fc2_out

2.计算loss以及梯度

    loss, grads = 0, {}loss,dscores = softmax_loss(scores,y)loss += 0.5*self.reg*(np.sum(W1**2)+np.sum(W2**2))drelu_out,dW2,db2 = affine_backward(dscores,fc2_cache)dfc1_out = relu_backward(drelu_out,relu_cache)_,dW1,db1 = affine_backward(dfc1_out,fc1_cache)dW1 += self.reg*W1#db1 += self.reg*b1dW2 += self.reg*W2#db2 += self.reg*b2grads['W1'],grads['b1'],grads['W2'],grads['b2'] = dW1,db1,dW2,db2

这篇关于CS231n作业笔记2.1:两层全连接神经网络的分层实现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!



http://www.chinasem.cn/article/498318

相关文章

Java通过驱动包(jar包)连接MySQL数据库的步骤总结及验证方式

《Java通过驱动包(jar包)连接MySQL数据库的步骤总结及验证方式》本文详细介绍如何使用Java通过JDBC连接MySQL数据库,包括下载驱动、配置Eclipse环境、检测数据库连接等关键步骤,... 目录一、下载驱动包二、放jar包三、检测数据库连接JavaJava 如何使用 JDBC 连接 mys

Qt使用QSqlDatabase连接MySQL实现增删改查功能

《Qt使用QSqlDatabase连接MySQL实现增删改查功能》这篇文章主要为大家详细介绍了Qt如何使用QSqlDatabase连接MySQL实现增删改查功能,文中的示例代码讲解详细,感兴趣的小伙伴... 目录一、创建数据表二、连接mysql数据库三、封装成一个完整的轻量级 ORM 风格类3.1 表结构

基于Python实现一个图片拆分工具

《基于Python实现一个图片拆分工具》这篇文章主要为大家详细介绍了如何基于Python实现一个图片拆分工具,可以根据需要的行数和列数进行拆分,感兴趣的小伙伴可以跟随小编一起学习一下... 简单介绍先自己选择输入的图片,默认是输出到项目文件夹中,可以自己选择其他的文件夹,选择需要拆分的行数和列数,可以通过

Python中将嵌套列表扁平化的多种实现方法

《Python中将嵌套列表扁平化的多种实现方法》在Python编程中,我们常常会遇到需要将嵌套列表(即列表中包含列表)转换为一个一维的扁平列表的需求,本文将给大家介绍了多种实现这一目标的方法,需要的朋... 目录python中将嵌套列表扁平化的方法技术背景实现步骤1. 使用嵌套列表推导式2. 使用itert

Python使用pip工具实现包自动更新的多种方法

《Python使用pip工具实现包自动更新的多种方法》本文深入探讨了使用Python的pip工具实现包自动更新的各种方法和技术,我们将从基础概念开始,逐步介绍手动更新方法、自动化脚本编写、结合CI/C... 目录1. 背景介绍1.1 目的和范围1.2 预期读者1.3 文档结构概述1.4 术语表1.4.1 核

在Linux中改变echo输出颜色的实现方法

《在Linux中改变echo输出颜色的实现方法》在Linux系统的命令行环境下,为了使输出信息更加清晰、突出,便于用户快速识别和区分不同类型的信息,常常需要改变echo命令的输出颜色,所以本文给大家介... 目python录在linux中改变echo输出颜色的方法技术背景实现步骤使用ANSI转义码使用tpu

Python使用python-can实现合并BLF文件

《Python使用python-can实现合并BLF文件》python-can库是Python生态中专注于CAN总线通信与数据处理的强大工具,本文将使用python-can为BLF文件合并提供高效灵活... 目录一、python-can 库:CAN 数据处理的利器二、BLF 文件合并核心代码解析1. 基础合

Python使用OpenCV实现获取视频时长的小工具

《Python使用OpenCV实现获取视频时长的小工具》在处理视频数据时,获取视频的时长是一项常见且基础的需求,本文将详细介绍如何使用Python和OpenCV获取视频时长,并对每一行代码进行深入解析... 目录一、代码实现二、代码解析1. 导入 OpenCV 库2. 定义获取视频时长的函数3. 打开视频文

golang版本升级如何实现

《golang版本升级如何实现》:本文主要介绍golang版本升级如何实现问题,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录golanwww.chinasem.cng版本升级linux上golang版本升级删除golang旧版本安装golang最新版本总结gola

SpringBoot中SM2公钥加密、私钥解密的实现示例详解

《SpringBoot中SM2公钥加密、私钥解密的实现示例详解》本文介绍了如何在SpringBoot项目中实现SM2公钥加密和私钥解密的功能,通过使用Hutool库和BouncyCastle依赖,简化... 目录一、前言1、加密信息(示例)2、加密结果(示例)二、实现代码1、yml文件配置2、创建SM2工具