Backprogation da convolução do ND

8

Para minha educação, estou tentando implementar uma camada convolucional N-dimensional em uma rede neural convolucional.

Eu gostaria de implementar uma função de retropropagação. No entanto, não tenho certeza da maneira mais eficiente de fazê-lo.

No momento, estou usando signal.fftconvolvepara:

Estou particularmente confuso sobre como envolver os derivados . Usar a classe abaixo para retropropilar resulta em uma explosão no tamanho dos pesos.

Qual é a maneira correta de programar a convolução da derivada com a saída e os filtros?

EDITAR:

De acordo com este artigo ( Treinamento Rápido de Redes Convolucionais através de FFTs ), que procura fazer exatamente o que eu desejo:

  • As derivadas para a camada anterior são dadas pela convolução das derivadas da camada atual com os pesos:

    dL / dy_f = dL / dx * w_f ^ T

  • A derivada para os pesos é a soma por partes da convolução das derivadas com a entrada original:

    dL / dy = dL / dx * x

Eu implementei, da melhor maneira que sei, isso abaixo. No entanto, isso não parece dar o resultado pretendido, pois a rede que escrevi usando essa camada exibe flutuações violentas durante o treinamento.

    import numpy as np
    from scipy import signal

    class ConvNDLayer:
        def __init__(self,channels, kernel_size, dim):

            self.channels = channels
            self.kernel_size = kernel_size;
            self.dim = dim

            self.last_input = None

            self.filt_dims = np.ones(dim+1).astype(int)
            self.filt_dims[1:] =  self.filt_dims[1:]*kernel_size
            self.filt_dims[0]= self.filt_dims[0]*channels 
            self.filters = np.random.randn(*self.filt_dims)/(kernel_size)**dim


        def FlipAllAxes(self, array):

            sl = slice(None,None,-1)
            return array[tuple([sl]*array.ndim)] 

        def ViewAsWindows(self, array, window_shape, step=1):
             # -- basic checks on arguments
             if not isinstance(array, cp.ndarray):
                 raise TypeError("`array` must be a Cupy ndarray")
             ndim = array.ndim
             if isinstance(window_shape, numbers.Number):
                  window_shape = (window_shape,) * ndim
             if not (len(window_shape) == ndim):
                   raise ValueError("`window_shape` is incompatible with `arr_in.shape`")

             if isinstance(step, numbers.Number):
                  if step < 1:
                  raise ValueError("`step` must be >= 1")
                  step = (step,) * ndim
             if len(step) != ndim:
                   raise ValueError("`step` is incompatible with `arr_in.shape`")

              arr_shape = array.shape
              window_shape = np.asarray(window_shape, dtype=arr_shape.dtype))

              if ((arr_shape - window_shape) < 0).any():
                   raise ValueError("`window_shape` is too large")

              if ((window_shape - 1) < 0).any():
                    raise ValueError("`window_shape` is too small")

               # -- build rolling window view
                    slices = tuple(slice(None, None, st) for st in step)
                    window_strides = array.strides
                    indexing_strides = array[slices].strides
                    win_indices_shape = (((array.shape -window_shape)
                    // step) + 1)

                 new_shape = tuple(list(win_indices_shape) + list(window_shape))
                 strides = tuple(list(indexing_strides) + list(window_strides))

                  arr_out = as_strided(array, shape=new_shape, strides=strides)

                  return arr_out

        def UnrollAxis(self, array, axis):
             # This so it works with a single dimension or a sequence of them
             axis = cp.asnumpy(cp.atleast_1d(axis))
             axis2 = cp.asnumpy(range(len(axis)))

             # Put unrolled axes at the beginning
             array = cp.moveaxis(array, axis,axis2)
             # Unroll
             return array.reshape((-1,) + array.shape[len(axis):])

        def Forward(self, array):

             output_shape =cp.zeros(array.ndim + 1)    
             output_shape[1:] =  cp.asarray(array.shape)
             output_shape[0]= self.channels 
             output_shape = output_shape.astype(int)
             output = cp.zeros(cp.asnumpy(output_shape))

             self.last_input = array

             for i, kernel in enumerate(self.filters):
                    conv = self.Convolve(array, kernel)
                    output[i] = conv

             return output


        def Backprop(self, d_L_d_out, learn_rate):

            d_A= cp.zeros_like(self.last_input)
            d_W = cp.zeros_like(self.filters)


           for i, (kernel, d_L_d_out_f) in enumerate(zip(self.filters, d_L_d_out)):

                d_A += signal.fftconvolve(d_L_d_out_f, kernel.T, "same")
                conv = signal.fftconvolve(d_L_d_out_f, self.last_input, "same")
                conv = self.ViewAsWindows(conv, kernel.shape)
                axes = np.arange(kernel.ndim)
                conv = self.UnrollAxis(conv, axes)  
                d_W[i] = np.sum(conv, axis=0)


           output = d_A*learn_rate
           self.filters =  self.filters - d_W*learn_rate
           return output
Jack Rolph
fonte

Respostas:

0

Multiplicar gradientes com learn_rate geralmente não é suficiente.

Para obter melhor desempenho e reduzir grandes flutuações, os gradientes são dimensionados usando otimizadores por métodos como a divisão pelos gradientes anteriores (RMSprop).

As atualizações também dependem do erro, se você passar o erro para cada amostra individualmente, isso geralmente gera ruído, portanto, é melhor considerar a média de várias amostras (minilotes).

SajanGohil
fonte