Kurrikulum Leson 59 van 246 · Module 4: Jou eie autograd-enjin
Module 4: Jou eie autograd-enjin

Softmax en cross-entropy in een stap

Waarom dit saak maak Jy kan softmax bou uit exp, sum en divide, maar die resultaat is stadiger en kan overflow. Elke regte biblioteek smelt softmax en cross-entropy saam in een operasie met die eenvoudige gradient wat jy in Module 3 aflei.

A gefuseerde operasie bereken sy vorentoe gang in een slag (met die max-shift vir veiligheid) en het een agterwaartse reël: (softmax - onehot) / n, maal die aankomende gradiënt. Jy het ook relu nodig vir 'n netwerk: stuur die gradiënt deur waar die input positief was.

Opsomming Fuse wat jy kan; die gekombineerde gradiënt is eenvoudiger as sy dele.

Woorde en simbole in hierdie les
Tensor
hier: 'n array plus sy gradiënt plus die Tensors waaruit dit gekom het
.grad
die gradiënt van die finale loss met verwysing na hierdie Tensor
unbroadcast
som die gradiënt terug na die vorm waaruit dit gestrek is
Jou beurt

Skryf relu en cross_entropy(labels) (op 'n (batch, classes) Tensor van logits, wat 'n skêler Tensor teruggee) met hul backward-reëls.

Sien jy 'n probleem in hierdie les? Rapporteer dit · Vra oor hierdie les

Hierdie oefening open binnekort

Voltooi die lesie voor dit en hierdie een sal ontvanklik wees. Die hele kursus is gratis, geen rekening nodig nie, en jy kan hierdie les nou lees.