Возникла проблема в части обратного распространения для измерения - PullRequest
Новая
       36

Возникла проблема в части обратного распространения для измерения

2 голосов
/ 30 июня 2019

Я пытался построить нейронную сеть с одним скрытым слоем с нуля. В части обратного распространения возникли некоторые проблемы.

В скрытом слое я использую активацию сигмоида, а в выходном слое я использую функцию softmax.

Для расчета градиента функции потерь по отношению к весу в слое-1 уравнение принимает вид:

, где 

def back_prop(parameters,cache,X,Y):
    m = X.shape[1]
    #retriving parameters
    W1 = parameters["W1"]
    W2 = parameters["W2"]

    A1 = cache["A1"]
    A2 = cache["A2"]
    Z1 = cache["Z1"]
    Z2 = cache["Z2"]

    #back propagation calculation
    #calculating dL1,dL2 for updating W1 and W2
    # loss for W2 #
    xa = np.divide(Y,A2)+np.divide((1-Y),(1-A2)) #part of dA2 calculation
    dA2 = (1/m) * np.sum(xa)
    dZ2 = sigmoid_derivative(Z2)
    dW2 = A2
    dL2 = dA2*dZ2*dW2
    # loss for W1 #
    dA1 = W2
    print(dA1.shape)
    dZ1 = softmax_derivative(Z1)
    print(dZ1.shape)
    dW1 = X.T
    print(dW1.shape)

    dl0 = np.dot(dA2,dZ2.T)
    print('shape dl0',dl0.shape)

    dl1 = np.dot(dl0,dA1)
    print('shape dl1',dl1.shape)

    dl2 = np.dot(dl1,dZ1.T)
    print('shape dl2', dl2.shape)
    dL1 = np.dot(dl2,dW1) ###error : dimension for broadcasting is not satisfied
    print('shape dL1',dL1.shape)
    grads ={"dL1" : dL1,
            "dL2" : dL2}

return grads

Я пытался сделать это с np.dot () и у меня возникли проблемы с размерностью. Размерность dL / dW1 не подходит, когда я иду на обновление W1.

Вот мой полный код и извините, поскольку он немного грязный в части обратного распространения.

https://gist.github.com/ipritom/30fcad0c74ab59e5b31e1daac1c1d1e7

...