深度学习基础------前向传播与反向传播_前向传播和反向传播

当前，深度学习已经应用到很多领域：无人驾驶汽车，黑科技以及图像分类等等，这些前沿的科技也面临许多挑战，如无人驾驶汽车需要进行物体的检测、行人的检测、标志的识别以及速度识别等等；图像分类已经成为一项重要技术，它是计算机视觉的核心任务，其困难之处在于图像中物体形状的改变、部分遮蔽以及背景的混入等等。让机器学习人类模拟人类大脑的思考过程，需要进行大量的实验研究才能正式投入运行，即将大量的数据分为训练集、验证集以及测试集。

深度学习的过程可以分为前向传播和反向传播两个过程，前向传播。

简单来说，前向传播过程就是数据从输入层传入，经过隐藏层，最终到达输出层的过程。如下图所示，图中包含一个输入层，一个隐藏层和一个输出层。

对于第2层第1个节点的输出有：

对于第3层第1个节点的输出有：

而反向传播的核心在于复合函数的链式求导法则，反向传播的作用在于优化代价函数，这也是训练神经网络的目标。

加法节点

类似于2+3=5，将常数换成变量 x+y=z，如下图所示，就是一个简单的前向传播和反向传播过程（右边的图是对应反向传播过程）：

 

 

乘法节点

以 z=x*y 为例，如下图所示，就是一个简单的前向传播和反向传播过程（右边的图是对应反向传播过程）：

 

 加法的反向传播只是将上游的值传给下游，并不需要正向传播的输入信号。但是乘法的反向传播需要正向传播时的输入信号值。因此，实现乘法节点的反向传播时，要保存正向传播的输入信号。

从左向右进行计算是一种正方向上的传播，简称为正向传播 (forward propagation)。从右向左的传播称为反向传播 (backward propagation)。
计算图的反向传播：沿着与正方向相反的方向，乘上局部导数。
反向传播的计算顺序是：
将信号 E 乘以节点的局部导数 (∂ y/∂ x)，然后将结果传递给下一个节点。这里所说的局部导数是指正向传播中y = f (x) 的导数，也就是 y 关于 x 的导数(∂ y/∂ x)。如 y = f ( x ) = x^2 则局部导数为(∂ y/∂ x) = 2x。把这个局部导数乘以 E,然后传递给前面的节点。这就是反向传播的计算顺序。通过这样的计算，可以高效地求出导数的值，这是反向传播的要点。

 z=f(x,y) 求偏导数：

1）加法的偏导数

 

2）乘法的偏导数

  

举个例子：将乘法和加法组合起来。
物品a的单价是5，数量是8
物品b的单价是6，数量是5
物品的总价是多少？
5×8 + 6×5 = 70
代码如下：

class multiplication_layer:
    def __init__(self):
        self.x = None
        self.y = None
 
    def forward(self, x, y):
        self.x = x
        self.y = y
        out = x * y
        return out
 
    def backward(self, d_out):
        d_x = d_out * self.y
        d_y = d_out * self.x
        return d_x, d_y
 
 
class addition_layer:
    def __init__(self):
        pass
 
    def forward(self, x, y):
        out = x + y
        return out
 
    def backward(self, d_out):
        d_x = d_out * 1
        d_y = d_out * 1
        return d_x, d_y
 
a_price = 5
a_num = 8
b_price = 6
b_num = 5
 
 
# layer
a_layer = multiplication_layer()
b_layer = multiplication_layer()
c_layer = addition_layer()
 
# forward
a_price = a_layer.forward(a_price, a_num)  # (1)
b_price = b_layer.forward(b_price, b_num)  # (2)
totoal_price = c_layer.forward(a_price, b_price)  # (3)
 
# backward
d_price = 1
d_a_price, d_b_price = c_layer.backward(d_price)  # (3)
d_b, d_b_num = b_layer.backward(d_b_price)  # (2)
d_a, d_a_num = a_layer.backward(d_a_price)  # (1)
 
print("totoal_price:", (totoal_price))
print("d_a:", d_a)
print("d_a_num:", (d_a_num))
print("d_b:", d_b)
print("d_b_num:", (d_b_num))
 
# totoal_price: 70
# d_a: 5
# d_a_num: 8
# d_b: 6
# d_b_num: 5

z=(x+y)^2 由两个式子构成：z = t^2 和 t = x+y

简单实现一个全连接层的前向传播和反向传播
全连接层是fully connected layer，类似的名词是affine或者linear

Y = W X + B

import numpy as np
N=1
X= np.random.random((N,2))
W= np.random.random((2,3))
B= np.random.random((3,))
Y = np.dot(X, W) + B
print(Y)

 

import numpy as np
 
class fully_connected_layer:
    def __init__(self,W, B):
        self.X = None
        self.W = W
        self.B = B
        self.dx = None
        self.dw = None
        self.db = None
 
    def forward(self, input):
        self.X = input
        out = np.dot(self.X, self.W) + self.B
        return out
 
    def backward(self, d_out):
        self.dx = np.dot(d_out, self.W.T)
        self.dw = np.dot(self.X.T,d_out)
        self.db = np.sum(d_out, axis=0)
        return self.dx
 
np.random.seed(2020)
 
N=2
input= np.random.random((N,2))
weight= np.random.random((2,3))
bias= np.random.random((3,))
 
print(input.shape)
print("input=\n",input)
 
print(weight.shape)
print("weight=\n",weight)
 
print(bias.shape)
print("bias=\n",bias)
 
linear = fully_connected_layer(W=weight,B=bias)
 
out = linear.forward(input)
print("out=\n",out)
 
d_out= np.random.random(out.shape)
dx = linear.backward(d_out)
dw = linear.dw
db = linear.db
print("dx=\n",dx)
print("dw=\n",dw)
print("db=\n",db)