知识卡片
实现反传先对齐布局和缓存
实现本章线性层时,先声明列输入还是行批量,核对前向、输入梯度与权重梯度形状,再保存每次调用所需输入。原书图14.11为伪代码,forward使用未限定的W、x、b,backward也混用W与self.W;复制运行前须改为一致成员变量和明确外积操作。共享层多次调用不能仅用一个self.x_in覆盖所有缓存;图示未实际运行验证。
这张卡片看不懂?
这张卡片已通过人工审查,不再接受失败反馈。
已有反馈 · 0 条
还没有人提交反馈。
在整书笔记中的位置
- · 反向传播
原书出处 · 1 处
- · 查看原书依据
Figure 14.11: Pytorch-like pseudocode for a linear layer with forward and backward. 14.6.2 Backpropagation for a Pointwise Nonlinearity Pointwise nonlinearities have very simple backward functions. Let a (parameterless) scalar nonlinearity be h : ℝ → ℝ with derivative function h′ : ℝ → ℝ. Define a pointwise layer using h as f (xin) = [h(xin[0]), …, h(xin[N – 1])]T. Then we have (14.30) The diag
参考来源
- 位置:《Foundations of Computer Vision (Antonio Torralba, Phillip Isola etc.)》第14章《反向传播》(来源项目:a19c7933-4eda-4176-aebd-30fe7e1ad292;源文件:extracted/Foundations of Computer Vision (Antonio Torralba, Phillip Isola etc.)/_epub-src/OPS/xhtml/c014.xhtml)
- 结论依据:摘录中关于实现反传先对齐布局和缓存的定义、比较或条件支撑卡片;原书表述不严谨的范围已在覆盖记录逐项限定,不把案例结果外推为普遍结论。
- 原始内容:Figure 14.11: Pytorch-like pseudocode for a linear layer with forward and backward. 14.6.2 Backpropagation for a Pointwise Nonlinearity Pointwise nonlinearities have very simple backward functions. Let a (parameterless) scalar nonlinearity be h : ℝ → ℝ with derivative function h′ : ℝ → ℝ. Define a pointwise layer using h as f (xin) = [h(xin[0]), …, h(xin[N – 1])]T. Then we have (14.30) The diag