下图为一个简单的单层感知机模型

左侧为输入层，对于所有输入$x$x，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$w_{ij}$wij​，$i$i表示上一层的节点编号，$j$j表示下一层的节点编号。后面紧跟着的分别是求和$\sum$∑，以及$\sigma$σ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$E(Loss)=\frac{1}{2}(O_0^1-t)^2$E(Loss)=21​(O01​−t)2，这里额外的$\frac{1}{2}$21​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$\frac{\nabla \sigma(x)}{\nabla x} = \sigma * (1-\sigma)\frac{\nabla x}{\nabla x}$∇x∇σ(x)​=σ∗(1−σ)∇x∇x​

所以
KaTeX parse error: No such environment: align* at position 8: \begin{̲a̲l̲i̲g̲n̲*̲}̲ (O^1_0 - t)\…
因此，$\frac{\nabla E}{\nabla w_{j0}} = (O^1_0 - t) O^1_0(1-O^1_0)x^0_j$∇wj0​∇E​=(O01​−t)O01​(1−O01​)xj0​

由该结果可看出，$Loss$Loss关于权重$w$w的梯度仅与输出节点$O^1_0$O01​和输入节点的$x$x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(x@w.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)

• 点赞
• 收藏
• 分享
• • 文章举报

数学家是我理想 博客专家 发布了167 篇原创文章 · 获赞 162 · 访问量 12万+ 私信 关注