知识卡片
两层网络的层组合
TwoLayerNet 顺序持有两个 Affine 层和一个 Sigmoid 层,推理时依次调用各层的 forward。Affine 保存权重与偏置,Sigmoid 没有可学习参数;网络将各层参数汇总,使后续更新和保存更集中。训练版还将损失层单独保存,并提供 forward(x, t) 和 backward(dout);图包含这两个阶段的类职责,不代表所有网络必须采用这一结构。
结构图:
classDiagram
class TwoLayerNet {
+layers
+params
+predict(x)
+forward(x, t)
+backward(dout)
}
class Affine {
+params
+forward(x)
}
class Sigmoid {
+params
+forward(x)
}
class SoftmaxWithLoss {
+forward(x, t)
+backward(dout=1)
}
TwoLayerNet *-- SoftmaxWithLoss : 训练损失
TwoLayerNet *-- Affine : 顺序持有两个
TwoLayerNet *-- Sigmoid : 顺序持有一个
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
原书出处 · 2 处
- 神经网络的复习 1.2.2 层的类化及正向传播的实现 · 查看原书依据
self.layers = [ Affine(W1, b1), Sigmoid(), Affine(W2, b2) ]
- 神经网络的复习 1.4.2 神经网络的实现 · 查看原书依据
因为 Softmax with Loss 层和其他层的处理方式不同,所以不将它放入 layers 列表中,而是单独存储在实例变量 loss_layer 中。
参考来源
- 位置:《深度学习进阶:自然语言处理》第1章《神经网络的复习》1.2.2(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0006_split_002.html)
- 结论依据:源码将 Affine、Sigmoid、Affine 放入 layers,并通过 predict 顺序调用各层 forward。
- 原始内容:self.layers = [ Affine(W1, b1), Sigmoid(), Affine(W2, b2) ]
- 补充位置:《深度学习进阶:自然语言处理》第1章《神经网络的复习》1.4.2(来源项目 book-source:extracted/深度学习进阶:自然语言处理/_epub-src/text/part0006_split_004.html)
- 补充依据:训练版 TwoLayerNet 单独保存损失层,并提供 forward 和 backward。
- 补充原文:因为 Softmax with Loss 层和其他层的处理方式不同,所以不将它放入 layers 列表中,而是单独存储在实例变量 loss_layer 中。
- 外部核验:2026-11-21 查看[配套代码固定提交中的层定义](https://github.com/oreilly-japan/deep-learning-from-scratch-2/blob/842ae31c2bb070f5116275606ed90396626a2c17/common/layers.py),确认 SoftmaxWithLoss 的方法参数。