Python Deep Learning 简明教程
Computational Graphs
Tensorflow、Torch、Theano 等深度学习框架通过使用计算图来实现反向传播。更重要的是,对计算图中的反向传播的理解融合了几种不同的算法及其变体,例如时间反向传播和具有共享权重的反向传播。一旦所有内容都转换为计算图,它们仍是相同的算法 - 只不过是在计算图上进行反向传播。
What is Computational Graph
计算图定义为一个有向图,其中节点对应于数学运算。计算图是表达和求值数学表达式的途径。
例如,下面是一个简单的数学方程式−
p = x+y
我们可以绘制上述方程的计算图,如下所示。
上述计算图有一个加法节点(带有“+”符号的节点),有两个输入变量 x 和 y 及一个输出 q。
让我们再举一个稍复杂的例子。我们有以下方程式。
g = \left (x+y \right ) \ast z
上述方程由以下计算图表示。
Objectives of Backward Pass
在反向传播中,我们的目的是针对最终输出计算每个输入的梯度。这些梯度对于使用梯度下降法训练神经网络至关重要。
例如,我们期望以下梯度。
Desired gradients
\frac{\partial x}{\partial f}, \frac{\partial y}{\partial f}, \frac{\partial z}{\partial f}
Backward pass (backpropagation)
我们通过找到最终输出相对于最终输出(它本身!)的导数来启动反向传播。因此,它将得同一性导数,且该值等于一。
\frac{\partial g}{\partial g} = 1
我们的计算图现在如下所示 -
接下来,我们将执行“*”操作的向后传递。我们将计算 p 和 z 处的梯度。由于 g = p*z,我们知道 -
\frac{\partial g}{\partial z} = p
\frac{\partial g}{\partial p} = z
我们已经从正向传递知道了 z 和 p 的值。因此,我们得到 -
\frac{\partial g}{\partial z} = p = 4
和
\frac{\partial g}{\partial p} = z = -3
我们想要计算 x 和 y 处的梯度 -
\frac{\partial g}{\partial x}, \frac{\partial g}{\partial y}
但是,我们想要高效地执行此操作(虽然 x 和 g 在此图中只有 2 跳的距离,但设想它们彼此相距甚远)。为了高效计算这些值,我们将使用微分的链式法则。根据链式法则,我们有 -
\frac{\partial g}{\partial x}=\frac{\partial g}{\partial p}\ast \frac{\partial p}{\partial x}
\frac{\partial g}{\partial y}=\frac{\partial g}{\partial p}\ast \frac{\partial p}{\partial y}
但我们已经知道 dg/dp=-3,dp/dx 和 dp/dy 很容易,因为 p 直接取决于 x 和 y。我们有 -
p=x+y\Rightarrow \frac{\partial x}{\partial p} = 1, \frac{\partial y}{\partial p} = 1
因此,我们得到 -
\frac{\partial g} {\partial f} = \frac{\partial g} {\partial p}\ast \frac{\partial p} {\partial x} = \left ( -3 \right ).1 = -3
此外,对于输入 y -
\frac{\partial g} {\partial y} = \frac{\partial g} {\partial p}\ast \frac{\partial p} {\partial y} = \left ( -3 \right ).1 = -3
这样反向进行的主要原因是,当我们必须计算 x 处梯度时,我们仅使用已计算的值以及 dq/dx(节点输出相对于同一节点输入的导数)。我们使用局部信息来计算一个全局值。