正向传播

• 神经网络本质上就是一个复杂且有很多参数的复合函数，数据为函数的输入，结果为函数的输出。
• 正向传播就是通过函数的输入以及神经网络，得到函数的输出。
• 通常用来验证当前的参数是否是最优解，或者已经训练好的模型用来检测。

1. 例如函数： $y=w\ast x$

2. 通过调整过的参数$w$和数据$x$传入进去：获取到预测值 $y^{\prime }$

3. 获取到损失值：$loss=(y-y^{\prime }{)}^2$

import torch

def forward(x, y, w):
	# 模型
    y_predicted = w * x
    # 计算出真实值和预测值的损失值
    loss = (y- y_predicted )**2
    return loss

x = torch.tensor(1.0)
y = torch.tensor(2.0)
w = torch.tensor(1.0, requires_grad=True)

forward(x, y, w)

获取到预测值和真实值的差异，这就是正向传播的全过程

前面线性回归中求MSE的过程就是正向传播

反向传播

• 反向传播的目的就是计算预测值和参数之间的梯度关系（通过偏导数计算）
• 通过求偏导和梯度下降计算出的值调整w参数求出w参数的最优解（模型训练的过程）

loss = forward(x, y, w)
loss.backward()
print(f'loss关于w的偏导值：{w.grad}')
# 清空梯度计算 避免下次计算进行累加
w.grad.zero_()

总结

• 总的来说，平时我们解方程y=wx是求x和y的值
• 现在我们知道了x值和y值，怎么去求x和y之间的关系
• 怎么去求w参数的最优解，才可以让x和y有一定的关系
• 求w参数就是机器学习的过程
  • 正向传播➡查看MSE是否符合设定的关系➡反向传播求偏导➡梯度下降➡循环训练模型