CS 231n: Градиент ошибки реализации Softmax

Я пытался решить задание 1 для CS 231n, и у меня возникли проблемы с реализацией градиента для softmax. Обратите внимание: я не записан на курс и занимаюсь им только в учебных целях. Сначала я рассчитал градиент вручную, и мне кажется, что это нормально, и я реализовал градиент, как показано ниже, но когда код запускается против числового градиента, результаты не совпадают, я хочу понять, где я ошибаюсь в этой реализации, если кто-нибудь может помочь мне прояснить это ясно.

Спасибо.

Код:

def softmax_loss_naive(W, X, y, reg):
    """
    Softmax loss function, naive implementation (with loops)

    Inputs have dimension D, there are C classes, and we operate on minibatches
    of N examples.

    Inputs:
    - W: A numpy array of shape (D, C) containing weights.
    - X: A numpy array of shape (N, D) containing a minibatch of data.
    - y: A numpy array of shape (N,) containing training labels; y[i] = c means
      that X[i] has label c, where 0 <= c < C.
    - reg: (float) regularization strength

    Returns a tuple of:
    - loss as single float
    - gradient with respect to weights W; an array of same shape as W
    """
    # Initialize the loss and gradient to zero.
    loss = 0.0
    dW = np.zeros_like(W)

    #############################################################################
    # TODO: Compute the softmax loss and its gradient using explicit loops.     #
    # Store the loss in loss and the gradient in dW. If you are not careful     #
    # here, it is easy to run into numeric instability. Don't forget the        #
    # regularization!                                                           #
    #############################################################################
    # *****START OF YOUR CODE (DO NOT DELETE/MODIFY THIS LINE)*****

    num_train = X.shape[0]
    for i in range(num_train):
      score = X[i].dot(W)
      correct = y[i]
      denom_sum = 0.0
      num = 0.0
      
      for j,s in enumerate(score):
        denom_sum += np.exp(s)
        if j == correct:
          num = np.exp(s)
        else:
          dW[:,j] = X[i].T * np.exp(s) 
      loss += -np.log(num / denom_sum)
      dW[:, correct] += -X[i].T *  ( (denom_sum - num) )
      dW = dW / (denom_sum)

    loss = loss / (num_train)
    dW /= num_train
    loss += reg * np.sum(W * W)
    dW += reg * 2 * W
    return loss, dW

python numpy deep-learning softmax
person rohit901    schedule 01.04.2021    source источник

Ответы (1)


arrow_upward
0
arrow_downward

Я сам придумал ответ.

Линия:

dW = dW / (denom_sum)

это ошибка. Также был изменен код, чтобы он работал.

    denom_sum = np.sum(np.exp(score))
    for j,s in enumerate(score):
      if j == correct:
        num = np.exp(s)
        dW[:, correct] += -X[i].T * ((denom_sum - num)/ (denom_sum))
      else:
        dW[:,j] += X[i].T * (np.exp(s) / denom_sum) 
    loss += -np.log(num / denom_sum)
  
  loss = loss / (num_train)
  dW /= num_train
  loss += reg * np.sum(W * W)
  dW += reg * 2 * W

Раньше я разделял все элементы на denom_sum, тогда как я должен был разделить их только по столбцам.

person rohit901    schedule 02.04.2021