您尚未登录账户请先登录您的atyun账户，方可使用该功能
您的企业账号申请正在审核中审核通过后即可使用此功能，请耐心等待~
使用Numpy手动实现多层卷积神经网络教程详解
2018年03月10日 由 yuxiangyu 发表
351021
0
在过去，我曾写过一篇关于“理解在最大池化层和转置卷积的反向传播”的文章。现在我想要使用这些知识做一个多层（或者说多通道）的卷积神经网络。
在阅读本文之前我建议你可以看一下下面两个链接的内容（都是探讨舍弃反向传播给人工智能找到新方向的）：
链接1：https://www.quora.com/Why-is-Geoffrey-Hinton-suspicious-of-backpropagation-and-wants-AI-to-start-over
链接2：https://medium.com/intuitionmachine/the-deeply-suspicious-nature-of-backpropagation-9bed5e2b085e
标准的反向传播对每个激活函数都有适当的导数。对于标准的全连接层来说，这没什么特别之处。
第一行代码（下划线绿色）→返回从前一层的传播
绿框→在W2a，W2b，W2c和W2d各自的规则中计算梯度。
第一个红框→W1a的梯度
第二个红框→W2a的梯度
很好，结果最后的结果还不算太糟。如上所示，训练次数设置为500。网络将测试集中的每个图像分类（除了一个错的）。
这样上面已经是合适的反向传播了，在这里，我们对上一层的导数和激活函数的导数进行微分运算。然而，出于好奇，我决定做下面的事情。
注意：在线编译器没有“从sklearn中导入数据集”，所以我无法复制和粘贴笔记本电脑上使用的代码。所以我复制了四个训练示例，它们分别代表0,1,1,0的手写数字，并调整了超参数。
访问原始网络代码：https://repl.it/@Jae_DukDuk/Multi-Channel-and-Layer-Original
注意：在线编译器没有“从sklearn中导入数据集”，所以我无法复制和粘贴笔记本电脑上使用的代码。所以我复制了四个训练示例，它们分别代表0,1,1,0的手写数字，并调整了超参数。
访问折回网络代码：https://repl.it/@Jae_DukDuk/Multi-Channel-and-Layer-Broken
在阅读本文之前我建议你可以看一下下面两个链接的内容（都是探讨舍弃反向传播给人工智能找到新方向的）：
链接1：https://www.quora.com/Why-is-Geoffrey-Hinton-suspicious-of-backpropagation-and-wants-AI-to-start-over
链接2：https://medium.com/intuitionmachine/the-deeply-suspicious-nature-of-backpropagation-9bed5e2b085e
加载训练数据并声明超参数
网络架构
输入→尺寸为（8 * 8）的图像
红星→具有两个不同通道的第1层
红圈→将激活和最大池化层应用在第1层
蓝星→具有四个不同通道的第2层
蓝圈→将激活和最大池化的操作应用在第2层
绿星→全连接权重（W3）尺寸为（16 * 28）的第3层
绿圈→激活函数应用于第3层
粉星→全连接权重（W4）尺寸为（28 * 36）的第4层
粉圈→激活层应用于第4层
黑星→全连接权重（W5）尺寸为（36 * 1）的第5层
黑圈→应用于第5层的激活层
黑匣子→使用L2范数的代价函数
前馈操作的实现
每自颜色的框代表了该层的操作，这里需要注意两点。
- 我在每个卷积层之前执行零填充以维持尺寸。
- 每个层使用激活函数是不同的。
对W5、W4和W3的实施反向传播
标准的反向传播对每个激活函数都有适当的导数。对于标准的全连接层来说，这没什么特别之处。
对所有W2（W2a，W2b，W2c和W2d）实施反向传播
第一行代码（下划线绿色）→返回从前一层的传播
绿框→在W2a，W2b，W2c和W2d各自的规则中计算梯度。
对所有W1（W1a和W1b）实施反向传播
第一个红框→W1a的梯度
第二个红框→W2a的梯度
训练和结果
很好，结果最后的结果还不算太糟。如上所示，训练次数设置为500。网络将测试集中的每个图像分类（除了一个错的）。
破解在反向传播中的数学原理
这样上面已经是合适的反向传播了，在这里，我们对上一层的导数和激活函数的导数进行微分运算。然而，出于好奇，我决定做下面的事情。
蓝线→简单的元素智能乘法
绿线→仅对计算后的最大池层的导数进行转置
红线→仅在最大池层面的掩码执行转置。
为了方便起见，我将把上述网络称为折回网络（back prop net）。
我并不期待网络在改变之后表现更好，只是好奇而已。但是，看看下面显示的结果。我每次都用不同的超参数进行了三次不同的实验。（只更改最后全连接层的尺寸。）
结果1：W3（16 * 18），W4（18 * 20）和W5（20,1）
红框→折回网络的结果。
蓝色框→原始网络结果
你能看到，在第一个实验中，两个网络测试数据具有100%的准确率，然而在第250个周期时折回网络的代价（或者说成本cost）较低。
结果2：W3（16 * 48），W4（48 * 56）和W5（56,1）
红框→折回网络的结果
蓝框结果→原网络的结果
绿星结果→网络预测错误
这次有趣的是，折回网络的代价更高，但测试数据的准确率达到了100%。尽管原始网络的成本较低，但一些预测是错误的。
结果3：我忘记了这次的权重尺寸，但两个网络肯定是一样的。
红框→折回网络的结果
蓝框结果→原网络的结果
这次准确率都是100%。但折回网络的代价较高。
原始网络
注意：在线编译器没有“从sklearn中导入数据集”，所以我无法复制和粘贴笔记本电脑上使用的代码。所以我复制了四个训练示例，它们分别代表0,1,1,0的手写数字，并调整了超参数。
访问原始网络代码：https://repl.it/@Jae_DukDuk/Multi-Channel-and-Layer-Original
折回网络
注意：在线编译器没有“从sklearn中导入数据集”，所以我无法复制和粘贴笔记本电脑上使用的代码。所以我复制了四个训练示例，它们分别代表0,1,1,0的手写数字，并调整了超参数。
访问折回网络代码：https://repl.it/@Jae_DukDuk/Multi-Channel-and-Layer-Broken
结语
像这样的结果让我着迷，这就是我要做手动执行反向传播的原因。即使是Hinton博士自己，也怀疑反向传播，他希望人工智能有新的起点。然而对于我们来说，深入理解反向传播是非常重要的，尝试创造性的方法来看看，是否有其他方法可以做的更好。
欢迎关注ATYUN官方公众号
商务合作及内容投稿请联系邮箱:bd@atyun.com
广告
广告
写评论取消
回复取消