乘法层加法层的向前传播和反向传播python程序

乘法层加法层是神经网络中常用的两个层，它们分别通过乘法和加法的方式对输入数据进行处理。以下是关于乘法层和加法层的向前传播和反向传播的Python程序示例：

1. 乘法层的向前传播和反向传播：

# 乘法层的向前传播
class MultiplyLayer:
    def __init__(self):
        self.x = None
        self.y = None

    def forward(self, x, y):
        self.x = x
        self.y = y
        out = x * y
        return out

    # 乘法层的反向传播
    def backward(self, dout):
        dx = dout * self.y
        dy = dout * self.x
        return dx, dy


# 使用示例
apple = 100      # 苹果价格
apple_num = 2   # 苹果数量
tax = 1.1       # 税率

# 乘法层
mul_apple_layer = MultiplyLayer()
mul_tax_layer = MultiplyLayer()

# 向前传播
apple_price = mul_apple_layer.forward(apple, apple_num)
price = mul_tax_layer.forward(apple_price, tax)

print(price)  # 输出为220（100 * 2 * 1.1）

# 反向传播
dprice = 1
dapple_price, dtax = mul_tax_layer.backward(dprice)
dapple, dapple_num = mul_apple_layer.backward(dapple_price)

print(dapple, dapple_num, dtax)  # 输出为2.2, 110, 200

2. 加法层的向前传播和反向传播：

# 加法层的向前传播和反向传播
class AddLayer:
    def forward(self, x, y):
        out = x + y
        return out

    def backward(self, dout):
        dx = dout * 1
        dy = dout * 1
        return dx, dy


# 使用示例
apple_price = 100
orange_price = 150

# 加法层
add_layer = AddLayer()

# 向前传播
total_price = add_layer.forward(apple_price, orange_price)

print(total_price)  # 输出为250

# 反向传播
dtotal_price = 1
dapple_price, dorange_price = add_layer.backward(dtotal_price)

print(dapple_price, dorange_price)  # 输出为1, 1

这是乘法层和加法层的向前传播和反向传播的简单实现示例，更复杂的神经网络可通过多次组合和调用这些层来构建。此示例只是说明了向前传播和反向传播的基本原理和计算步骤。