暑假第二天

今天我做的事情

1. 把昨天没有写完的博客写完
2. Lecture 4: Backpropagation &Multi-layer Perceptrons &CNN
3. 部分代码实现
4. 写今天的博客

其实今天做的事并不是很多，主要是对ubuntu系统不熟悉，我在RTX2080的台式机上面进行进行代码实现总是出很多奇怪的错误，最后将conda里面的库进行更新，目前解决了这个问题，再就是在学习反向传播的时候，基本的数学原理还是没有理解透彻（矩阵运算）。

Backpropagation 反向传播

链式法则

链式法则是BP的关键，高数里面学过，但是要注意一点在对某个变量求偏导数的时候，一定是所有到达该变量的链求和。

一个简单的例子

Q 这里有一个小问题就是最开始的梯度为什么是1？
A 这里有两种理解方式：

1. 最后面的梯度，也就是这里的1 是由Loos Function 的全微分得到
2. 可以在后面加一部*1的运算，对Loss Function无影响，但是

# set some inputs
x = -2; y = 5; z = -4

# perform the forward pass
q = x + y # q becomes 3
f = q * z # f becomes -12

# perform the backward pass (backpropagation) in reverse order:
# first backprop through f = q * z
dfdz = q # df/dz = q, so gradient on z becomes 3
dfdq = z # df/dq = z, so gradient on q becomes -4
# now backprop through q = x + y
dfdx = 1.0 * dfdq # dq/dx = 1. And the multiplication here is the chain rule!
dfdy = 1.0 * dfdq # dq/dy = 1

sigmoid function的反向传播

$$\begin{gathered} \sigma (x)=\frac{1}{1+e^{-x}} \\ \to \frac{d\sigma (x)}{dx}=\frac{e^{-x}}{(1+e^{-x}{)}^2}=\left(\frac{1+e^{-x}-1}{1+e^{-x}}\right)\left(\frac{1}{1+e^{-x}}\right)=\left(1-\sigma (x)\right)\sigma (x) \end{gathered}$$

记住几种重要的gate

使用矩阵计算

# forward pass
W = np.random.randn(5, 10)
X = np.random.randn(10, 3)
D = W.dot(X)

# now suppose we had the gradient on D from above in the circuit
dD = np.random.randn(*D.shape) # same shape as D
dW = dD.dot(X.T) #.T gives the transpose of the matrix
dX = W.T.dot(dD)

CNN

Why CNN for image

如果单纯用DNN的话需要太多的参数，CNN是用来简化DNN的。因为neuron在对图片的pattern进行检测的时候不需要连接整副图，在人来观察一张图片的时候，你一般会从下面几个dimension去理解，1是观察特征；2而这个特征出现在图片的哪些位置其实不重要，所以可以用相同的方法去检测，在CNN中体现在参数共享；3是图片的大小对你理解图片其实并没有什么影响，在CNN中体现在Maxpooling

1. Some patterns are much smaller than the whole image
2. The same patterns appear in different regions(在后面shared weights中体现)
3. Subsampling the pixels will not change the object(这点很重要)

The whole CNN

Convolution

Filter 中的参数是学出来的
一此Coonvolution操作出来的depth一定为1
Convolution的过程很简单，需要记住一个尺寸计算公式：

$$(W-F+2P)/S+1$$

Max Pooling

不用说什么，实际上在做subsampling

Flatten

把图拉成一个一维向量

问题汇总

1. 卷积中的Filter在灰度图和RGB图上的区别
2. CNN不好处理不同尺寸图像的问题
3. Max函数如何微分

英语翻译

1. expertise 专门知识; 专门技能; 专长;
2. recursive 递归的; 循环的;
3. Intuitive 凭直觉得到的; 直觉的; 有直觉力的; 易懂的; 使用简便的;
4. with respect to 关于，至于（英国英语中也用in respect of）
5. subtract 减; 减去;
6. transpose 转置
7. circuit 链路