My solution

1.softmax

(a)sotfmax的性质

　　容易证明该性质。
　　Note指出，这个性质可以应用于计算softmax函数的值。这样手动把最大值调整成了0，避免了上溢出，而即使产生下溢出，也是下溢出到零，不会太损失精度。

(b)softmax的计算

　　
　　Note指出numpy的向量化计算比较快，所以尽量少用for循环。numpy向量化运算相比循环，跳转逻辑更少，更容易并行，也更容易使用显卡算力，计算更快。
　　另外，代码要注意numpy库中的维度设定，运算的时候要时刻注意维度。

2.Neural Network Basics

(a)sigmoid的导数

　　 σ′(x)=−(1+e−x)′(1+e−x)2=e−x(1+e−x)2=σ(x)(1−σ(x))

(b)交叉熵函数的导数

　　 ∂CE∂θ=∂(−log(y^k))∂θ=−1y^k∂y^k∂θ
　　
　　对下标分别标量求导
　　 ∂y^k∂θk=(eθk)′∑ieθi−eθk(∑ieθi)′(∑ieθi)2=eθk∑ieθi−eθkeθk(∑ieθi)2=y^k(1−y^k)∂y^k∂θj=(eθk)′∑ieθi−eθk(∑ieθi)′(∑ieθi)2=−eθkeθj(∑ieθi)2=−y^ky^j(j≠k)

　　合并下标
　　 ∂y^k∂θ=(1(k=j)y^k−y^ky^j)j=y^k(y−y^)
　　
　　代入整理得
　　 ∂CE∂θ=y^−y

(c)(d)BP in Neural Network

　　注意输入是行向量，求导的时候要时刻注意维度。
　　
　　首先解答(d)，同时把维度搞清楚，设|minibatch|=M:
　　 x∈RM×Dx,W1∈RDx×H,b1∈RHh∈RM×H,W2∈RH×Dy,b2∈RDy,y^∈RM×Dy
　　中间对 bi 的加法用了一次复制，也就是说，实际加的是 bi1TM 矩阵
　　
　　 parament=[W1,b1,W2,b2]|parament|=(Dx+1)H+(H+1)Dy
　　
　　清楚了维度，可以利用链式法则和维度调整方法解答(c):
　　定义 z2=hW2+b21TM
　　首先认为对minibatch的每个输入都有交叉熵 Jm ，定义 J=1TM(Jm) ，即损失函数简单地定义为总交叉熵，如果交叉熵损失函数定义为所有交叉熵的平均值，那么下面的所有导数都要除以M。
　　则 ∂J∂z2=1M∂(Jm)m∂z2=y^−y
　　
　　 ∂J∂W2=hT(y^−y)∂J∂b2=1TM(y^−y)=sum((y^−y),dim=0)
　　
　　定义 z1=hW1+b11TM
　　 ∂J∂z1=(y^−y)WT2⨀σ′(z1)=(y^−y)WT2⨀(h⨀(1−h))
　　
　　 ∂J∂W1=hT(y^−y)WT2⨀(h⨀(1−h))∂J∂b1=1TM(y^−y)WT2⨀(h⨀(1−h))=sum((y^−y)WT2⨀(h⨀(1−h)),dim=0)

(e)(f)(g)Neural Network代码实现

　　(e)比较容易。
　　有了上面的公式，(g)实现起来也比较容易。
　　注意(g)中检查导数的方法是，把参数全部压成一维，传入(f)中的检查函数。
　　(f)为偏导数检查的函数，需要注意一些细节，数值估计某个维度偏导数的代码如下:
　　

x0 = x[ix]
x[ix] += h
random.setstate(rndstate)
new_f1 = f(x)[0]
x[ix] -= 2*h
random.setstate(rndstate)
new_f2 = f(x)[0]
x[ix] = x0
numgrad = (new_f1 - new_f2) / (2 * h)

　　1）f只能把x格式的一维向量当作输入，所以要修改x某一个维度的值，只能在原值上修改，最好不要复制一个x浪费空间。
　　2）为了不修改x的值，最后记得改回去，改回去最好不要用加了h，减了2h，就再加h来获得原值(虽然网上所有人都是这么做的)，最好用一个额外变量记录，因为浮点数误差问题，x0+h-2h+h不等于x0。虽然误差很小，但是原则上说，代码的检查函数应该保存了检查导数前的x0，检查导数后为了确定没有修改原来的函数参数，应该assert(x==x0)。
　　3）调用前记得初始化随机数种子
　　4）泰勒展开知 f(x+h)−f(x−h)2h=f′(x)+o(h) ，而 f(x+h)−f(x)h=f′(x)+f′′(x)2h+o(h) ，前者更精确。

最后

以上就是忧虑水壶最近收集整理的关于My solution to cs224n assignment1(1-2)My solution的全部内容，更多相关My内容请搜索靠谱客的其他文章。