iT邦幫忙

2021 iThome 鐵人賽

DAY 28
0
AI & Data

數據分析方法研究和理解演算法系列 第 28

DAY28 CNN(卷積神經網路 續二)

  • 分享至 

  • xImage
  •  

昨天介紹完CNN卷積神經網路正向傳播程式,今天要來研究CNN卷積神經網路反向傳播程式:

首先在上次全連接層Softmax做反向傳播:
首先依照之前說明的機率out:
https://ithelp.ithome.com.tw/upload/images/20211012/20141654QWJCQq0puu.png
把它做偏微分並使用chain rule:
會有以下兩種情況
1.c≠k
https://ithelp.ithome.com.tw/upload/images/20211012/20141654hiXA5Yu3nz.png
2.c=k
https://ithelp.ithome.com.tw/upload/images/20211012/20141654zvxuWh2d5L.png
然後依照
https://ithelp.ithome.com.tw/upload/images/20211012/20141654PZjCgnMv3L.png
我們可以得到偏微:
https://ithelp.ithome.com.tw/upload/images/20211012/201416540Vi8Xzeeot.png
在依照chain rule
https://ithelp.ithome.com.tw/upload/images/20211012/20141654fvkDh1ygJ5.png
其中,我們最終想要這三個微分

  1. 可以更新權重
  2. 可以更新bias
  3. 可以更新反向傳播至池化層數據

所以全連接層反向傳播程式如下:
在原本class:Softmax上加上反向運算def

#全連接層反向傳播
    def backprop(self, d_L_d_out, learn_rate):
        for i, gradient in enumerate(d_L_d_out):
        	#如果沒有梯度就下一個
            if gradient == 0:
                continue
        	#exp(tc)-->分子
            t_exp = np.exp(self.last_totals)
        
            #S-->分母
            S = np.sum(t_exp)
            
			#dout/dt k != c 情況
            d_out_d_t = -t_exp[i] * t_exp / (S ** 2)
            #dout/dt k == c 情況
            d_out_d_t[i] = t_exp[i] * (S - t_exp[i]) / (S ** 2)
        	
        	#dt/dw
            d_t_d_w = self.last_input  
            #dt/db
            d_t_d_b = 1
            #dt/input 1000 x 10
            d_t_d_inputs = self.weights
        
            #dL/dt = dout/dt*梯度 
            d_L_d_t = gradient * d_out_d_t
        
            
            #dL/dw = dt/dw*dL/dt 	(1000, 1) @ (1, 10) = (1000, 10)
            d_L_d_w = d_t_d_w[np.newaxis].T @ d_L_d_t[np.newaxis]
            #dL/db = dL/dt*dt/db
            d_L_d_b = d_L_d_t * d_t_d_b
            #dL/dinputs = dt/dinputs*dL/dt 	(1000, 10) @ (10, 1)= (1000, 1)
            d_L_d_inputs = d_t_d_inputs @ d_L_d_t
        
            #更新權重還有bias
            
            self.weights -= learn_rate * d_L_d_w
            self.biases -= learn_rate * d_L_d_b
        

            return d_L_d_inputs.reshape(self.last_input_shape)

接下來是池化層:
基本上非最大值在微分後就會是0,所以如下圖:
https://ithelp.ithome.com.tw/upload/images/20211012/201416540d3woSy8AN.png
所以程式如下,在原本class:MaxPool2加上反向運算def

#反向運算    
    def backprop(self, d_L_d_out):
    	#dL/dinput -->一開始設置為0
        d_L_d_input = np.zeros(self.last_input.shape)
        
        for im_region, i, j in self.iterate_regions(self.last_input):
            h, w, f = im_region.shape
            #找尋那區域最大值
            amax = np.amax(im_region, axis=(0, 1))
            
            for i2 in range(h):
                for j2 in range(w):
                    for f2 in range(f):
                    	#如果是最大值就把剛剛dL/dinput傳入這層dL/dinput
                        if im_region[i2, j2, f2] == amax[f2]:
                            d_L_d_input[i + i2, j + j2, f2] = d_L_d_out[i, j, f2]
                            
        return d_L_d_input

最後反向給卷積層:
https://ithelp.ithome.com.tw/upload/images/20211012/20141654dGDq54Mbut.png
所以他的偏微就是那張照片範圍:
程式如下:在class:Conv3x3加上反向運算def

#反向運算
    def backprop(self, d_L_d_out, learn_rate):
    	#dL/dfilter --> 一開始設置為0
        d_L_d_filters = np.zeros(self.filters.shape)
        for im_region, i, j in self.iterate_regions(self.last_input):
            for f in range(self.num_filters):
            	#dL/dfilter = sum(dL/dout*照片區塊)
                d_L_d_filters[f] += d_L_d_out[i, j, f] * im_region
        #調整一開始filters   用學習率*dL/dfilter
        self.filters -= learn_rate * d_L_d_filters

(資料來源:https://zhuanlan.zhihu.com/p/102119808並加上註解程式)

好,今天CNN反向傳播程式算是研究完,明天就把CNN的程式完成,並且去跑執行結果

在戒指發光同一時間,原本飄在空中羽毛掉落在地上,剛好掉到娃娃旁邊,原來娃娃在剛剛,終於精疲力盡倒下,而地面上還冒出鮮血和娃娃血液混合再一起,當羽毛碰到血的時候.羽毛突然產生變化,幾秒鐘之後,出現了一隻狐狸,只不過這隻狐狸沒有嘴巴,而且四肢通紅,狐狸環顧四周後,隨即抬起紅色爪子,而此時前方樹木開始燃燒,最終燒成灰燼,而前方赫然就是森林出口

        --|你們到底是誰?為何要如此執著?|--  MM.CS

上一篇
DAY27 CNN(卷積神經網路 續一)
下一篇
DAY29 CNN(卷積神經網路 續三)
系列文
數據分析方法研究和理解演算法30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

1 則留言

0
juck30808
iT邦研究生 1 級 ‧ 2021-10-12 18:36:54

恭喜大大即將完賽XD !!!

我要留言

立即登入留言