当前位置: 代码迷 >> 综合 >> 【pytorch】手动在网络中实现正向传播与反向传播代码解析
  详细解决方案

【pytorch】手动在网络中实现正向传播与反向传播代码解析

热度:100   发布时间:2023-09-18 19:14:56.0

代码与教程

此博文是关于pytorch中文教程中手动在网络中实现前向传播和反向传播部分的代码解析。先贴上教程来源与代码:

  • 教程为:https://pytorch.apachecn.org/docs/0.3/pytorch_with_examples_pytorch-tensors.html

代码如下:

import torchdtype = torch.FloatTensor
# dtype = torch.cuda.FloatTensor # 取消注释以在GPU上运行# N 批量大小; D_in是输入尺寸;
# H是隐藏尺寸; D_out是输出尺寸.
N, D_in, H, D_out = 64, 1000, 100, 10# 创建随机输入和输出数据
x = torch.randn(N, D_in).type(dtype)
y = torch.randn(N, D_out).type(dtype)# 随机初始化权重
w1 = torch.randn(D_in, H).type(dtype)
w2 = torch.randn(H, D_out).type(dtype)learning_rate = 1e-6
for t in range(500):# 正向传递:计算预测yh = x.mm(w1)h_relu = h.clamp(min=0)y_pred = h_relu.mm(w2)# 计算并打印lossloss = (y_pred - y).pow(2).sum()print(t, loss)# 反向传播计算关于损失的w1和w2的梯度grad_y_pred = 2.0 * (y_pred - y)grad_w2 = h_relu.t().mm(grad_y_pred)grad_h_relu = grad_y_pred.mm(w2.t())grad_h = grad_h_relu.clone()grad_h[h < 0] = 0grad_w1 = x.t().mm(grad_h)# 使用梯度下降更新权重w1 -= learning_rate * grad_w1w2 -= learning_rate * grad_w2

代码解析

这是模拟的一个一层的全连接网络,包含两个参数矩阵,一个输入,一个输出。

  • 首先创建了输入矩阵x与输出矩阵y,这里就是调用了一下torch的随机函数,创建了大小为64*1000的输入和64*10的输出,其中64为batch大小:
x = torch.randn(N, D_in).type(dtype)
y = torch.randn(N, D_out).type(dtype)
  • 然后是网络的权重矩阵w1与w2,也是调用torch的随机函数创建,大小分别为1000*100和100*10。
w1 = torch.randn(D_in, H).type(dtype)
w2 = torch.randn(H, D_out).type(dtype)
  • 接下来是比较重要的正向传播部分,首先使用输入矩阵乘以权重矩阵w1,mm()函数表示矩阵乘法,具体可以点击函数查看官方文档的介绍。然后使用clamp()作为激励函数Relu的实现,将小于0的值都截断。最后再做一次矩阵乘法得到输出y_pred,至此正向传播完成:
h = x.mm(w1)	# h [64,100]
h_relu = h.clamp(min=0)	# h_relu [64,100]
y_pred = h_relu.mm(w2)	# y_pred [62,10]
  • 正向传播之后需要计算误差值,在此处使用的是非一般形式的均方误差,也就是矩阵相减后对每个元素取平方然后再求所有元素的和。
loss = (y_pred - y).pow(2).sum()
  • 下面是最重要的反向传播部分,首先第一行均方误差对y_pred的梯度比较简单,因为对矩阵中的每一个元素来说都有:
    ?Loss?y_predi,j=2?(y_predi,j?yi,j)\frac {\partial Loss}{\partial y\_pred_{i,j}} = 2*(y\_pred_{i,j}-y_{i,j})?y_predi,j??Loss?=2?(y_predi,j??yi,j?)
    因此可以直接使用下面的求导依照公式:
    grad_y_pred=?Loss?y_pred=?(y_pred?Y)2?y_pred=2?(y_pred?Y)grad\_y\_pred = \frac{\partial Loss}{\partial y\_pred}=\frac{\partial (y\_pred-Y)^2}{\partial y\_pred}=2*(y\_pred-Y)grad_y_pred=?y_pred?Loss?=?y_pred?(y_pred?Y)2?=2?(y_pred?Y)
grad_y_pred = 2.0 * (y_pred - y)
  • 然后比较难的地方是w2与h_relu的梯度计算,需要用到矩阵乘法的导数公式,将代码翻译为公式是下面这样的,这里的转换过程涉及到矩阵乘法的梯度运算,具体可以参照这个博文,写得十分详细且直观,在这部分理解上给了我很大的帮助。:

grad_W2=?Loss?W2=?h_relu×W2?W2×?Loss?h_relu×W2=h_reluT×grad_y_predgrad\_W2 = \frac {\partial Loss}{\partial W2}=\frac {\partial h\_relu\times W2}{\partial W2}\times \frac{\partial Loss}{\partial h\_relu\times W2}=h\_relu^T \times grad\_y\_predgrad_W2=?W2?Loss?=?W2?h_relu×W2?×?h_relu×W2?Loss?=h_reluT×grad_y_pred
grad_h_relu=?Loss?h_relu=?Loss?h_relu×W2×?h_relu×W2?h_relu=grad_y_pred×W2Tgrad\_h\_relu = \frac {\partial Loss}{\partial h\_relu}= \frac{\partial Loss}{\partial h\_relu\times W2}\times \frac {\partial h\_relu\times W2}{\partial h\_relu}=grad\_y\_pred\times W2^Tgrad_h_relu=?h_relu?Loss?=?h_relu×W2?Loss?×?h_relu?h_relu×W2?=grad_y_pred×W2T

grad_w2 = h_relu.t().mm(grad_y_pred)
grad_h_relu = grad_y_pred.mm(w2.t())
  • 接下来是对激励函数Relu的梯度计算,这个比较简单,因为在大于0的区域h=h_relu,而在小于0的区域直接归零,所以对梯度也做类似操作就可以了,即:
    grad_h={grad_h_reluifgrad_h_relu>00elsegrad\_h= \begin{cases}grad\_h\_relu &if\ grad\_h\_relu\gt 0\\ 0 &else \end{cases} grad_h={ grad_h_relu0?if grad_h_relu>0else?
grad_h = grad_h_relu.clone()
grad_h[h < 0] = 0
  • 最后就是计算w1的梯度,这里也是按照矩阵梯度计算公式来算的,和计算w2梯度时类似,就不多说了。
grad_w1 = x.t().mm(grad_h)

结束语

以上就是使用pytorch手动实现一层神经网络的正向与反向传播全过程,虽然pytorch有自动的反向传播机制(autograd),但是自己手动分析一遍还是能够加深不少理解的。