欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

单层感知机模型讲解

程序员文章站 2022-07-05 08:44:27
...

下图为一个简单的单层感知机模型
单层感知机模型讲解
左侧为输入层,对于所有输入xx,上标0表示第0层(即输入层),下标0~N表示有N+1个元素。对于中间的权重wijw_{ij}ii表示上一层的节点编号,jj表示下一层的节点编号。后面紧跟着的分别是求和\sum,以及σ\sigma函数。后面的E代表Error或者Loss,将输出值与t(target)进行对比

接下来我们推导一下单层感知机梯度公式

首先我们定义E(Loss)=12(O01t)2E(Loss)=\frac{1}{2}(O_0^1-t)^2,这里额外的12\frac{1}{2}是为了方便抵消掉求导后的参数2,该值的设立不会改变结果的单调性,所以有没有都无所谓,但是为了方便,这里还是加上了

KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ \frac{\nabl…
因为σ(x)x=σ(1σ)xx\frac{\nabla \sigma(x)}{\nabla x} = \sigma * (1-\sigma)\frac{\nabla x}{\nabla x}

所以
KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ (O^1_0 - t)\…
因此,Ewj0=(O01t)O01(1O01)xj0\frac{\nabla E}{\nabla w_{j0}} = (O^1_0 - t) O^1_0(1-O^1_0)x^0_j

由该结果可看出,LossLoss关于权重ww的梯度仅与输出节点O01O^1_0和输入节点的xx有关

import torch
import torch.nn.functional as F
x = torch.randn(1, 10) # dim=2,len=10, x为[1,10]的tensor
w = torch.randn(1, 10, requires_grad=True) # w为[1,10]的tensor
o = torch.sigmoid(aaa@qq.com.t()) # o为[1,1]的tensor
# [1,10]*[1,10]T => [1,10]*[10,1] => [1,1]

print("o:",o)

loss = F.mse_loss(input=o, target=torch.ones(1, 1))
# 将shapa为[1,1]的计算结果与全为1的[1,1]矩阵进行mse计算

print('loss:', loss)
print('loss shape:', loss.shape) # 得到的loss为标量

loss.backward()
print('w.grad:', w.grad)
相关标签: 深度学习