《深度学习入门》系列文章目录

深度学习入门 (1)感知机

深度学习入门（2）神经网络

深度学习入门（3）神经网络参数梯度的计算方式

深度学习入门（4）【深度学习实战】无框架实现两层神经网络的搭建与训练过程

深度学习入门（5）如何对神经网络模型训练结果进行评价

深度学习入门（6）误差反向传播基础---计算图与链式法则使用

深度学习入门（7）误差反向传播计算方式及简单计算层的实现

深度学习入门（8）激活函数ReLU和 Sigmoid的计算图表示方式及其误差反向传播的代码实现

前几篇博文介绍了计算图基础、简单层的实现以及激活函数的层实现。本篇文章主要介绍神经网络中Affine层与sofmax层的计算图及其反向传播层的代码实现。

目录

1 Affine与Softmax层的实现

1.1 Affine层

1.2 批量版的Affine层

1.3 Softmax-with-Loss层

1 Affine与Softmax层的实现

1.1 Affine层

神经元的加权和可以用 Y = np.dot(X, W) + B计算出来。然后，Y 经过激活函数转换后，传递给下一层。这就是神经网络正向传播的流程。

神经网络的正向传播中进行的矩阵的乘积运算在几何学领域被称为“仿射变换” 。将进行仿射变换的处理实现为“Affine层”。

​ 

Y = np.dot(X, W) + B，计算图如下：

​

 ​

 式中WT的T表示转置。转置操作会把W的元素(i, j)换成元素(j, i)。

​

 ​

 X和αL/αX形状相同， W和αL/αW形状相同。从下面的数学式可以很明确地看出X和
αL/αX形状相同。

​

1.2 批量版的Affine层

前面介绍的Af ne层的输入X是以单个数据为对象的。现在我们考虑N个数据一起进行正向传播的情况，也就是批版本的Affine层。

​

 ​

 ​

 ​

1.3 Softmax-with-Loss层

softmax函数会将输入值正规化之后再输出。比如手写数字识别时， Softmax层的输出如图所示。

​

 注：神经网络中进行的处理有推理（inference）和学习两个阶段。神经网络的推理通常不使用Softmax层。比如，用图5-28的网络进行推理时，会将最后一个Affine层的输出作为识别结果。神经网络中未被正规化的输出结果（上图中 Softmax 层前面的 Affine 层的输出）有时被称为“得分”。也就是说，当神经网络的推理只需要给出一个答案的情况下，因为此时只对得分最大值感兴趣，所以不需要Softmax层。不过，神经网络的学习阶段则需要Softmax层。

下面来实现Softmax层。考虑到这里也包含作为损失函数的交叉熵误差（ cross entropy error），所以称为“ Softmax-with-Loss层”。 Softmax-withLoss层（ Softmax函数和交叉熵误差的计算图如下图所示。

注意：交叉熵函数中的log是默认以e为底的。

​

计算图简化版：

​

softmax函数记为Softmax层，交叉熵误差记为Cross Entropy Error层。这里假设要进行3类分类，从前面的层接收3个输入（得分）。如图5-30所示， Softmax层将输入（ a1, a2, a3）正规化，输出（ y1,y2, y3）。 Cross Entropy Error层接收Softmax的输出（ y1, y2, y3）和教师标签（ t1,t2, t3），从这些数据中输出损失L。

Softmax层的反向传播得到了（ y1 - t1, y2 - t2, y3 - t3）这样“漂亮”的结果。由于（ y1, y2, y3）是Softmax层的输出，（ t1, t2, t3）是监督数据，所以（ y1 - t1, y2 - t2, y3 - t3）是Softmax层的输出和教师标签的差分。神经网络的反向传播会把这个差分表示的误差传递给前面的层，这是神经网络学习中的重要性质。

注：使用交叉熵误差作为 softmax 函数的损失函数后，反向传播得到（ y1 - t1, y2 - t2, y3 - t3）这样“漂亮”的结果。实际上，这样“漂亮”  的结果并不是偶然的，而是为了得到这样的结果，特意设计了交叉熵误差函数。回归问题中输出层使用“恒等函数”，损失函数使用“平方和误差”，也是出于同样的理由（3.5节）。也就是说，使用“平方和误差”作为“恒等函数”的损失函数，反向传播才能得到（ y1 -t1, y2 - t2, y3 - t3）这样“漂亮”的结果。

softmax-with-Loss层的代码实现：

​

请注意反向传播时，将要传播的值除以批的大小（ batch_size）后，传递给前面的层的是单个数据的误差。

如果内容对你有帮助，感谢点赞+关注哦！

更多干货内容持续更新中…