# $${{X.spartial('L')}}={{Y.spartial("L")}}\cdot {{W}}^\mathrm{T}$$
# $${{W.spartial('L')}}={{X}}^\mathrm{T}\cdot {{Y.spartial("L")}}$$
# まずは、MatMalレイヤの動作を確認します。形状を定義します。
N, T, L, M = 20, 3, 3, 4
# ここで$N$はバッチ数、$T$はタイムステップ数、$L$は入力の次元、$M$は出力の次元です。
import numpy as np # isort:skip
from ivory.core.model import sequential # isort:skip
from ivory.common.util import convert_one_hot # isort:skip
net_mat = [("input", L), ("matmul", M, "softmax_cross_entropy")]
model_mat = sequential(net_mat)
mat = model_mat.layers[0]
# ランダムな入力を作成します。
x = np.random.randint(0, L, N)
t = np.random.randint(0, M, N)
# MatMulレイヤへ入力するために、one-hot表現に変換します。
model_mat.set_data(convert_one_hot(x, L), t)
model_mat.forward()
print(model_mat.loss)
# 逆伝搬を比較します。
model_mat.backward()
print(mat.W.g) # type:ignore
# 数値微分による勾配と比較します。
print(model_mat.numerical_gradient(mat.W.variable)) # type:ignore
W = Matrix("w", n, m)
U = Matrix("u", m, m)
B = Vector("b", m)
# RNNレイヤの入力と出力の関係は以下のようになります。{{ import sympy as sp }}
# $${{Y.s}}_t = {{X.s}}_t\cdot{{W.s}} + {{Y.s}}_{t-1}\cdot{{U.s}} + {{B.s}}$$
# 動作を確かめます。形状（バッチ数、タイムステップ数、入力の次元、出力の次元）を以下の通
# りとします。
from ivory.core.model import sequential # isort:skip
N, T, L, M = 2, 10, 3, 4
net = [("input", L), ("rnn", M), ("softmax_cross_entropy")]
model = sequential(net)
rnn = model.layers[0]
print(rnn)
# 数値部分のためにビット精度を64ビットにします。
rnn.dtype = 'float64'
for p in rnn.parameters:
print(p)
# レイヤパラメータを設定します。
from ivory.common.context import np # isort:skip
w = rnn.W.variable.data = np.random.randn(L, M) # type:ignore
u = rnn.U.variable.data = np.random.randn(M, M) # type:ignore
b = rnn.b.variable.data = np.random.randn(M) # type:ignore
# ランダムな入力を作成します。
x = np.random.randn(N, T, L)
# ## モデル
# 一連のレイヤよりなるモデルは`model`モジュールの`sequential`関数で構築することができます。
# このメソッドはレイヤクラス名をスネークケースで記述した「レイヤ表現」を引数に取り
# 、`Model`クラスのインスタンスを返します。最終レイヤは損失関数を出力するレイヤである必要
# があります。各レイヤのパラメータには変数が自動で割り当てられます。
from ivory.core.model import sequential
net = [("input", 5), ("affine", 10, "relu"),
("affine", 4, "softmax_cross_entropy")]
model = sequential(net)
model.layers
# ここで、最初の`("input", 5)`が、5次元の入力を示すプレースホルダです。上記のよう
# に`Model`インスタンスは`layers`属性を持ち、所属するレイヤを返します。各レイヤにはクラス
# ごとに連番で名前が付けられています。
# `sequential`関数は、同じパターンの繰り返しを簡潔に書く方法が用意されています。
net = [
("input", 784),
(3, "affine", 100, "relu"),
("affine", 10, "softmax_cross_entropy"),
]
model_complex = sequential(net)
model_complex.layers
# このように、レイヤ表現の最初の要素が整数の場合、その数だけ残りの要素を繰り返します。
# `layers`属性のほかにも、損失に影響を与えるパラメータを取得できます。