Question

在使用relu激活功能时，我无法实现反向传播。我的模型有两个隐藏层，两个隐藏层都有10个节点，输出层有一个节点（因此3个权重，3个偏差）。我的模型除了针对该破碎的backward_prop函数以外，还可以工作。但是，该函数可通过使用S型激活函数（包含在函数注释中）与backprop一起使用。因此，我相信我正在搞砸relu的推导。

有人能把我推向正确的方向吗？

# The derivative of relu function is 1 if z > 0, and 0 if z <= 0
def relu_deriv(z):
    z[z > 0] = 1
    z[z <= 0] = 0
    return z

# Handles a single backward pass through the neural network
def backward_prop(X, y, c, p):
    """
    cache (c): includes activations (A) and linear transformations (Z)
    params (p): includes weights (W) and biases (b)
    """
    m = X.shape[1] # Number of training ex
    dZ3 = c['A3'] - y
    dW3 = 1/m * np.dot(dZ3,c['A2'].T)
    db3 = 1/m * np.sum(dZ3, keepdims=True, axis=1)
    dZ2 = np.dot(p['W3'].T, dZ3) * relu_deriv(c['A2']) # sigmoid: replace relu_deriv w/ (1-np.power(c['A2'], 2))
    dW2 = 1/m * np.dot(dZ2,c['A1'].T)
    db2 = 1/m * np.sum(dZ2, keepdims=True, axis=1)
    dZ1 = np.dot(p['W2'].T,dZ2) * relu_deriv(c['A1']) # sigmoid: replace relu_deriv w/ (1-np.power(c['A1'], 2))
    dW1 = 1/m * np.dot(dZ1,X.T)
    db1 = 1/m * np.sum(dZ1, keepdims=True, axis=1)

    grads = {"dW1":dW1,"db1":db1,"dW2":dW2,"db2":db2,"dW3":dW3,"db3":db3}
    return grads

Answer 1

您的代码段是否抛出错误或培训有问题？你能说清楚吗？

或者在处理二进制分类的情况下，是否可以尝试仅使输出激活函数为 Sigmoid ，而使其他函数为 ReLU？

请说明细节。

根据回复进行编辑：

您可以尝试这个吗？

 def dReLU(x):
    return 1. * (x > 0)

我指的是：https://gist.github.com/yusugomori/cf7bce19b8e16d57488a

RELU反向传播

1 个答案: