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

Springboot处理跨域的实现方式(附Demo)

《Springboot处理跨域的实现方式(附Demo)》:本文主要介绍Springboot处理跨域的实现方式(附Demo),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... 目录Springboot处理跨域的方式1. 基本知识2. @CrossOrigin3. 全局跨域设置4.

Spring Boot 3.4.3 基于 Spring WebFlux 实现 SSE 功能(代码示例)

《SpringBoot3.4.3基于SpringWebFlux实现SSE功能(代码示例)》SpringBoot3.4.3结合SpringWebFlux实现SSE功能,为实时数据推送提供... 目录1. SSE 简介1.1 什么是 SSE?1.2 SSE 的优点1.3 适用场景2. Spring WebFlu

基于SpringBoot实现文件秒传功能

《基于SpringBoot实现文件秒传功能》在开发Web应用时,文件上传是一个常见需求,然而,当用户需要上传大文件或相同文件多次时,会造成带宽浪费和服务器存储冗余,此时可以使用文件秒传技术通过识别重复... 目录前言文件秒传原理代码实现1. 创建项目基础结构2. 创建上传存储代码3. 创建Result类4.

SpringBoot日志配置SLF4J和Logback的方法实现

《SpringBoot日志配置SLF4J和Logback的方法实现》日志记录是不可或缺的一部分,本文主要介绍了SpringBoot日志配置SLF4J和Logback的方法实现,文中通过示例代码介绍的非... 目录一、前言二、案例一:初识日志三、案例二:使用Lombok输出日志四、案例三:配置Logback一

Python如何使用__slots__实现节省内存和性能优化

《Python如何使用__slots__实现节省内存和性能优化》你有想过,一个小小的__slots__能让你的Python类内存消耗直接减半吗,没错,今天咱们要聊的就是这个让人眼前一亮的技巧,感兴趣的... 目录背景:内存吃得满满的类__slots__:你的内存管理小助手举个大概的例子:看看效果如何?1.

Python+PyQt5实现多屏幕协同播放功能

《Python+PyQt5实现多屏幕协同播放功能》在现代会议展示、数字广告、展览展示等场景中,多屏幕协同播放已成为刚需,下面我们就来看看如何利用Python和PyQt5开发一套功能强大的跨屏播控系统吧... 目录一、项目概述:突破传统播放限制二、核心技术解析2.1 多屏管理机制2.2 播放引擎设计2.3 专

Python实现无痛修改第三方库源码的方法详解

《Python实现无痛修改第三方库源码的方法详解》很多时候,我们下载的第三方库是不会有需求不满足的情况,但也有极少的情况,第三方库没有兼顾到需求,本文将介绍几个修改源码的操作,大家可以根据需求进行选择... 目录需求不符合模拟示例 1. 修改源文件2. 继承修改3. 猴子补丁4. 追踪局部变量需求不符合很

idea中创建新类时自动添加注释的实现

《idea中创建新类时自动添加注释的实现》在每次使用idea创建一个新类时,过了一段时间发现看不懂这个类是用来干嘛的,为了解决这个问题,我们可以设置在创建一个新类时自动添加注释,帮助我们理解这个类的用... 目录前言:详细操作:步骤一:点击上方的 文件(File),点击&nbmyHIgsp;设置(Setti

SpringBoot实现MD5加盐算法的示例代码

《SpringBoot实现MD5加盐算法的示例代码》加盐算法是一种用于增强密码安全性的技术,本文主要介绍了SpringBoot实现MD5加盐算法的示例代码,文中通过示例代码介绍的非常详细,对大家的学习... 目录一、什么是加盐算法二、如何实现加盐算法2.1 加盐算法代码实现2.2 注册页面中进行密码加盐2.

MySQL大表数据的分区与分库分表的实现

《MySQL大表数据的分区与分库分表的实现》数据库的分区和分库分表是两种常用的技术方案,本文主要介绍了MySQL大表数据的分区与分库分表的实现,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有... 目录1. mysql大表数据的分区1.1 什么是分区?1.2 分区的类型1.3 分区的优点1.4 分