Utmaning: Träna Perceptronen
Innan du fortsätter med att träna perceptronen, kom ihåg att den använder binär korsentropiförlustfunktion som diskuterats tidigare. Det sista viktiga begreppet innan implementering av backpropagation är formeln för derivatan av denna förlustfunktion med avseende på utgångsaktiveringar, an. Nedan visas formlerna för förlustfunktionen och dess derivata:
Ldan=−(ylog(y^)+(1−y)log(1−y^))=y^(1−y^)y^−ywhere an=y^
För att verifiera att perceptronen tränas korrekt skriver metoden fit()
även ut genomsnittlig förlust vid varje epok. Detta beräknas genom att ta medelvärdet av förlusten över alla träningsdata i den epoken:
for epoch in range(epochs):
loss = 0
for i in range(training_data.shape[0]):
loss += -(target * np.log(output) + (1 - target) * np.log(1 - output))
average_loss = loss[0, 0] / training_data.shape[0]
print(f'Loss at epoch {epoch + 1}: {average_loss:.3f}')
L=−N1i=1∑N(yilog(y^i)+(1−yi)log(1−y^i))Slutligen är formlerna för att beräkna gradienter följande:
dzldWldbldal−1=dal⊙f′l(zl)=dzl⋅(al−1)T=dzl=(Wl)T⋅dzlExempel på träningsdata (X_train
) tillsammans med motsvarande etiketter (y_train
) är lagrade som NumPy-arrayer i filen utils.py
. Dessutom är instanser av aktiveringsfunktionerna också definierade där:
relu = ReLU()
sigmoid = Sigmoid()
Swipe to start coding
- Beräkna följande gradienter:
dz
,d_weights
,d_biases
ochda_prev
i metodenbackward()
i klassenLayer
. - Beräkna modellens
output
i metodenfit()
i klassenPerceptron
. - Beräkna
da
(dan) före loopen, vilket är gradienten av förlusten med avseende på utgångsaktiveringar. - Beräkna
da
och utför backpropagation i loopen genom att anropa lämplig metod för varje lager.
Om du har implementerat träningen korrekt, givet inlärningshastigheten 0.01
, bör förlusten stadigt minska för varje epok.
Lösning
Tack för dina kommentarer!
single
Fråga AI
Fråga AI
Fråga vad du vill eller prova någon av de föreslagna frågorna för att starta vårt samtal
Can you explain how the derivative of the binary cross-entropy loss is used in backpropagation?
What is the purpose of printing the average loss at each epoch?
Can you clarify how the gradients are computed using the provided formulas?
Awesome!
Completion rate improved to 4
Utmaning: Träna Perceptronen
Svep för att visa menyn
Innan du fortsätter med att träna perceptronen, kom ihåg att den använder binär korsentropiförlustfunktion som diskuterats tidigare. Det sista viktiga begreppet innan implementering av backpropagation är formeln för derivatan av denna förlustfunktion med avseende på utgångsaktiveringar, an. Nedan visas formlerna för förlustfunktionen och dess derivata:
Ldan=−(ylog(y^)+(1−y)log(1−y^))=y^(1−y^)y^−ywhere an=y^
För att verifiera att perceptronen tränas korrekt skriver metoden fit()
även ut genomsnittlig förlust vid varje epok. Detta beräknas genom att ta medelvärdet av förlusten över alla träningsdata i den epoken:
for epoch in range(epochs):
loss = 0
for i in range(training_data.shape[0]):
loss += -(target * np.log(output) + (1 - target) * np.log(1 - output))
average_loss = loss[0, 0] / training_data.shape[0]
print(f'Loss at epoch {epoch + 1}: {average_loss:.3f}')
L=−N1i=1∑N(yilog(y^i)+(1−yi)log(1−y^i))Slutligen är formlerna för att beräkna gradienter följande:
dzldWldbldal−1=dal⊙f′l(zl)=dzl⋅(al−1)T=dzl=(Wl)T⋅dzlExempel på träningsdata (X_train
) tillsammans med motsvarande etiketter (y_train
) är lagrade som NumPy-arrayer i filen utils.py
. Dessutom är instanser av aktiveringsfunktionerna också definierade där:
relu = ReLU()
sigmoid = Sigmoid()
Swipe to start coding
- Beräkna följande gradienter:
dz
,d_weights
,d_biases
ochda_prev
i metodenbackward()
i klassenLayer
. - Beräkna modellens
output
i metodenfit()
i klassenPerceptron
. - Beräkna
da
(dan) före loopen, vilket är gradienten av förlusten med avseende på utgångsaktiveringar. - Beräkna
da
och utför backpropagation i loopen genom att anropa lämplig metod för varje lager.
Om du har implementerat träningen korrekt, givet inlärningshastigheten 0.01
, bör förlusten stadigt minska för varje epok.
Lösning
Tack för dina kommentarer!
single