So implementieren Sie Softmax-Backpropagation in Python.

Backpropagation-Ableitung

Wie Sie sehen können, berechnet Softmax die Eingaben mehrerer Neuronen. Bei der Backpropagation-Ableitung müssen Sie die Ableitung der Parameter verschiedener Neuronen berücksichtigen.

Betrachten Sie zwei Situationen:

• Wenn der Parameter für die Differenzierung im Zähler liegt.

• Wenn der Parameter für die Differenzierung im Nenner liegt.

Wenn der Parameter für die Differenzierung im Nenner liegt Zähler:

Wenn der Ableitungsparameter im Nenner befindet (ez2

oder e

z3 ^{sind symmetrisch, das Ableitungsergebnis ist das gleiche):}

Code

import torch
import math

def my_softmax(features):
    _sum = 0
    for i in features:
        _sum += math.e ** i
    return torch.Tensor([ math.e ** i / _sum for i in features ])

def my_softmax_grad(outputs):    
    n = len(outputs)
    grad = []
    for i in range(n):
        temp = []
        for j in range(n):
            if i == j:
                temp.append(outputs[i] * (1- outputs[i]))
            else:
                temp.append(-outputs[j] * outputs[i])
        grad.append(torch.Tensor(temp))
    return grad

if __name__ == '__main__':

    features = torch.randn(10)
    features.requires_grad_()

    torch_softmax = torch.nn.functional.softmax
    p1 = torch_softmax(features,dim=0)
    p2 = my_softmax(features)
    print(torch.allclose(p1,p2))
    
    n = len(p1)
    p2_grad = my_softmax_grad(p2)
    for i in range(n):
        p1_grad = torch.autograd.grad(p1[i],features, retain_graph=True)
        print(torch.allclose(p1_grad[0], p2_grad[i]))

Das obige ist der detaillierte Inhalt vonSo implementieren Sie Softmax-Backpropagation in Python.. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!