我正试图从头开始实施反向传播。虽然我的成本在下降,但梯度检查却产生了惊人的效果。0.767399376130221
. 我一直在试图找出问题所在,并设法将代码简化为这几行。
def forward(self,X,y):
z2 = self.params_l1.dot(X.T)
a2 = self.sigmoid(z2)
z3 = self.params_l2.dot(a2)
a3 = self.sigmoid(z3)
loss = self.cross_entropy(a3,y)
return a3,loss,z2,a2,z3
def backward(self,X,y):
n_examples = len(X)
yh,loss,Z2,A2,Z3 = self.forward(X,y)
delta3 = np.multiply(-(yh - y),self.dsigmoid(Z3))
delta2 = (np.dot(self.params_l2.T,delta3))*self.dsigmoid(Z2)
de3 = np.dot(delta3,A2.T)
de2 = np.dot(delta2,X)
self.params_l2 = self.params_l2 - self.lr * (de3 /n_examples)
self.params_l1 = self.params_l1 - self.lr * (de2 / n_examples)
return de3/n_examples ,de2 /n_examples
这是一个简单的(2,2,1)MLP。我使用交叉熵作为损失函数。我怀疑问题可能出在我取产品的顺序上,但我已经尝试了每一种方式,仍然没有任何运气。
我设法得到了一个差异的 1.7250119005319425e-10
通过计算 delta3
刚过 yh - y
而没有进一步的乘法。现在我需要弄清楚这是为什么。