首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >中国台湾大学林轩田机器学习技法课程学习笔记12 -- Neural Network

中国台湾大学林轩田机器学习技法课程学习笔记12 -- Neural Network

作者头像
红色石头
发布2017-12-28 15:20:53
7060
发布2017-12-28 15:20:53
举报

上节课我们主要介绍了Gradient Boosted Decision Tree。GBDT通过使用functional gradient的方法得到一棵一棵不同的树,然后再使用steepest descent的方式给予每棵树不同的权重,最后可以用来处理任何而定error measure。上节课介绍的GBDT是以regression为例进行介绍的,使用的是squared error measure。本节课讲介绍一种出现时间较早,但当下又非常火的一种机器算法模型,就是神经网络(Neural Network)。

Motivation

在之前的机器学习基石课程中,我们就接触过Perceptron模型了,例如PLA算法。Perceptron就是在矩g_t(x)外面加上一个sign函数,取值为{-1,+1}。现在,如果把许多perceptrons线性组合起来,得到的模型G就如下图所示:

将左边的输入(x_0,x_1,x_2,\cdots,x_d)与T个不同的权重(w_1,w_2,\cdots,w_T)相乘(每个w_i是d+1维的),得到T个不同的perceptrons为(g_1,g_2,\cdots,g_T)。最后,每个gtg_t给予不同的权重(\alpha_1,\alpha_2,\cdots,\alpha_T),线性组合得到G。G也是一个perceptron模型。

从结构上来说,上面这个模型包含了两层的权重,分别是w_t和α。同时也包含了两层的sign函数,分别是g_t和G。那么这样一个由许多感知机linear aggregation的模型能实现什么样的boundary呢?

举个简单的例子,如下图所示,g_1和g_2分别是平面上两个perceptrons。其中,红色表示-1,蓝色表示+1。这两个perceptrons线性组合可能得到下图右侧的模型,这表示的是g_1和g_2进行与(AND)的操作,蓝色区域表示+1。

如何通过感知机模型来实现上述的AND(g_1,g_2)逻辑操作呢?一种方法是令第二层中的\alpha_0=-1,\alpha_1=+1,\alpha_2=+1。这样,G(x)就可表示为: G(x)=sign(-1+g_1(x)+g_2(x))

g1和g2的取值是{-1,+1},当g_1=-1,g_2=-1时,G(x)=0;当g_1=-1,g_2=+1时,G(x)=0;当g_1=+1,g_2=-1时,G(x)=0;当g_1=+1,g_2=+1时,G(x)=1。感知机模型如下所示:

这个例子说明了一些简单的线性边界,如上面的g_1和gg_2,在经过一层感知机模型,经线性组合后,可以得到一些非线性的复杂边界(AND运算)G(x)。

除此之外,或(OR)运算和非(NOT)运算都可以由感知机建立相应的模型,非常简单。

所以说,linear aggregation of perceptrons实际上是非常powerful的模型同时也是非常complicated模型。再看下面一个例子,如果二维平面上有个圆形区域,圆内表示+1,圆外表示-1。这样复杂的圆形边界是没有办法使用单一perceptron来解决的。如果使用8个perceptrons,用刚才的方法线性组合起来,能够得到一个很接近圆形的边界(八边形)。如果使用16个perceptrons,那么得到的边界更接近圆形(十六边形)。因此,使用的perceptrons越多,就能得到各种任意的convex set,即凸多边形边界。之前我们在机器学习基石中介绍过,convex set的VC Dimension趋向于无穷大(2^N)。这表示只要perceptrons够多,我们能得到任意可能的情况,可能的模型。但是,这样的坏处是模型复杂度可能会变得很大,从而造成过拟合(overfitting)。

总的来说,足够数目的perceptrons线性组合能够得到比较平滑的边界和稳定的模型,这也是aggregation的特点之一。

但是,也有单层perceptrons线性组合做不到的事情。例如刚才我们将的AND、OR、NOT三种逻辑运算都可以由单层perceptrons做到,而如果是异或(XOR)操作,就没有办法只用单层perceptrons实现。这是因为XOR得到的是非线性可分的区域,如下图所示,没有办法由g1g_1和g2g_2线性组合实现。所以说linear aggregation of perceptrons模型的复杂度还是有限制的。

那么,为了实现XOR操作,可以使用多层perceptrons,也就是说一次transform不行,我们就用多层的transform,这其实就是Basic Neural Network的基本原型。下面我们就尝试使用两层perceptrons来实现XOR的操作。

首先,根据布尔运算,异或XOR操作可以拆分成: XOR(g_1,g_2)=OR(AND(-g_1,g_2),AND(g_1,-g_2))

这种拆分实际上就包含了两层transform。第一层仅有AND操作,第二层是OR操作。这种两层的感知机模型如下所示:

这样,从AND操作到XOR操作,从简单的aggregation of perceptrons到multi-layer perceptrons,感知机层数在增加,模型的复杂度也在增加,使最后得到的G能更容易解决一些非线性的复杂问题。这就是基本神经网络的基本模型。

顺便提一下,这里所说的感知机模型实际上就是在模仿人类的神经元模型(这就是Neural Network名称的由来)。感知机模型每个节点的输入就对应神经元的树突dendrite,感知机每个节点的输出就对应神经元的轴突axon。

Neural Network Hypothesis

上一部分我们介绍的这种感知机模型其实就是Neural Network。输入部分经过一层一层的运算,相当于一层一层的transform,最后通过最后一层的权重,得到一个分数score。即在OUTPUT层,输出的就是一个线性模型。得到s后,下一步再进行处理。

我们之前已经介绍过三种线性模型:linear classification,linear regression,logistic regression。那么,对于OUTPUT层的分数s,根据具体问题,可以选择最合适的线性模型。如果是binary classification问题,可以选择linear classification模型;如果是linear regression问题,可以选择linear regression模型;如果是soft classification问题,则可以选择logistic regression模型。本节课接下来将以linear regression为例,选择squared error来进行衡量。

上面讲的是OUTPUT层,对于中间层,每个节点对应一个perceptron,都有一个transform运算。上文我们已经介绍过的transformation function是阶梯函数sign()。那除了sign()函数外,有没有其他的transformation function呢?

如果每个节点的transformation function都是线性运算(跟OUTPUT端一样),那么由每个节点的线性模型组合成的神经网络模型也必然是线性的。这跟直接使用一个线性模型在效果上并没有什么差异,模型能力不强,反而花费了更多不必要的力气。所以一般来说,中间节点不会选择线性模型。

如果每个节点的transformation function都是阶梯函数(即sign()函数)。这是一个非线性模型,但是由于阶梯函数是离散的,并不是处处可导,所以在优化计算时比较难处理。所以,一般也不选择阶梯函数作为transformation function。

既然线性函数和阶梯函数都不太适合作为transformation function,那么最常用的一种transformation function就是tanh(s),其表达式如下: tanh(s)=\frac{exp(s)-exp(-s)}{exp(s)+exp(-s)}

tanh(s)函数是一个平滑函数,类似“s”型。当|s|比较大的时候,tanh(s)与阶梯函数相近;当|s|比较小的时候,tanh(s)与线性函数比较接近。从数学上来说,由于处处连续可导,便于最优化计算。而且形状上类似阶梯函数,具有非线性的性质,可以得到比较复杂强大的模型。

顺便提一下,tanh(x)函数与sigmoid函数存在下列关系: tanh(s)=2\theta(2s)-1

其中, \theta(s)=\frac{1}{1+exp(-s)}

那么,接下来我们就使用tanh函数作为神经网络中间层的transformation function,所有的数学推导也基于此。实际应用中,可以选择其它的transformation function,不同的transformation function,则有不同的推导过程。

下面我们将仔细来看看Neural Network Hypothesis的结构。如下图所示,该神经网络左边是输入层,中间两层是隐藏层,右边是输出层。整体上来说,我们设定输入层为第0层,然后往右分别是第一层、第二层,输出层即为第3层。

Neural Network Hypothesis中,d^{(0)},d^{(1)},\cdots,d^{(L)}分别表示神经网络的第几层,其中L为总层数。例如上图所示的是3层神经网络,L=3。我们先来看看每一层的权重w_{ij}^{(l)},上标l满足1\leq l\leq L,表示是位于哪一层。下标i满足0\leq i\leq d^{(l-1)},表示前一层输出的个数加上bias项(常数项)。下标j满足1\leq j\leq d^{(l)},表示该层节点的个数(不包括bias项)。

对于每层的分数score,它的表达式为: s_j^{(l)}=\sum_{i=0}^{d^{(l-1)}}w_{ij}^{(l)}x_i^{(l-1)}

对于每层的transformation function,它的表达式为: x_j^{(l)}=\begin{cases} tanh(s_j^{(l)}), & if\ l<L\\ s_j^{(l)}, & if\ l=L \end{cases}

因为是regression模型,所以在输出层(l=L)直接得到x_j^{(l)}=s_j^{(l)}。

介绍完Neural Network Hypothesis的结构之后,我们来研究下这种算法结构到底有什么实际的物理意义。还是看上面的神经网络结构图,每一层输入到输出的运算过程,实际上都是一种transformation,而转换的关键在于每个权重值w_{ij}^{(l)}。每层网络利用输入x和权重w的乘积,在经过tanh函数,得到该层的输出,从左到右,一层一层地进行。其中,很明显,x和w的乘积\sum_{i=0}^{d^{(l-1)}}w_{ij}^{(l)}x_i^{(l-1)}越大,那么tanh(wx)就会越接近1,表明这种transformation效果越好。再想一下,w和x是两个向量,乘积越大,表明两个向量内积越大,越接近平行,则表明w和x有模式上的相似性。从而,更进一步说明了如果每一层的输入向量x和权重向量w具有模式上的相似性,比较接近平行,那么transformation的效果就比较好,就能得到表现良好的神经网络模型。也就是说,神经网络训练的核心就是pattern extraction,即从数据中找到数据本身蕴含的模式和规律。通过一层一层找到这些模式,找到与输入向量x最契合的权重向量w,最后再由G输出结果。

Neural Network Learning

我们已经介绍了Neural Network Hypothesis的结构和算法流程。确定网络结构其实就是确定各层的权重值w_{ij}^{(l)}。那如何根据已有的样本数据,找到最佳的权重w_{ij}^{(l)}使error最小化呢?下面我们将详细推导。

首先,我们的目标是找到最佳的w_{ij}^{(l)}让E_{in}(\{w_{ij}^{(l)}\})最小化。如果只有一层隐藏层,就相当于是aggregation of perceptrons。可以使用我们上节课介绍的gradient boosting算法来一个一个确定隐藏层每个神经元的权重,输入层到隐藏层的权重可以通过C&RT算法计算的到。这不是神经网络常用的算法。如果隐藏层个数有两个或者更多,那么aggregation of perceptrons的方法就行不通了。就要考虑使用其它方法。

根据error function的思想,从输出层来看,我们可以得到每个样本神经网络预测值与实际值之间的squared error:e_n=(y_n-NNet(x_n))^2,这是单个样本点的error。那么,我们只要能建立e_n与每个权重w_{ij}^{(l)}的函数关系,就可以利用GD或SGD算法对w_{ij}^{(l)}求偏微分,不断迭代优化w_{ij}^{(l)}值,最终得到使e_n最小时对应的w_{ij}^{(l)}。

为了建立e_n与各层权重w_{ij}^{(l)}的函数关系,求出e_nw_{ij}^{(l)}的偏导数\frac{\partial e_n}{w_{ij}^{(l)}},我们先来看输出层如何计算\frac{\partial e_n}{w_{i1}^{(L)}}。ene_n与w_{i1}^{(L)}的函数关系为:

计算e_n对w_{i1}^{(L)}的偏导数,得到:

以上是输出层求偏导的结果。如果是其它层,即l\neq L,偏导计算可以写成如下形式:

上述推导中,令e_n与第l层第j个神经元的分数s_j^{(l)}的偏导数记为\delta_j^{(l)}。即: \frac{\partial e_n}{\partial s_j^{(l)}}=\delta_j^{(l)}

当l=L时,\delta_1^{(L)}=-2(y_n-s_1^{(L)});当l\neq L时,\delta_j^{(l)}是未知的,下面我们将进行运算推导,看看不同层之间的\delta_j^{(l)}是否有递推关系。

如上图所示,第l层第j个神经元的分数s_j^{(l)}经过tanh函数,得到该层输出x_j^{(l)},再与下一层权重w_{jk}^{(l+1)}相乘,得到第l+1层的分数js_j^{(l+1)},直到最后的输出层e_n。

那么,利用上面s_j^{(l)}到s_j^{(l+1)}这样的递推关系,我们可以对偏导数\delta_j^{(l)}做一些中间变量替换处理,得到如下表达式:

值得一提的是,上式中有个求和项,其中k表示下一层即l+1层神经元的个数。表明l层的s_j^{(l)}与l+1层的所有s_k^{(l+1)}都有关系。因为s_j^{(l)}参与到每个s_k^{(l+1)}的运算中了。

这样,我们得到了\delta_j^{(l)}与\delta_k^{(l)}的递推关系。也就是说如果知道了\delta_k^{(l)}的值,就能推导出\delta_j^{(l)}的值。而最后一层,即输出层的\delta_1^{(L)}=-2(y_n-s_1^{(L)}),那么就能一层一层往前推导,得到每一层的\delta_j^{(l)},从而可以计算出e_n对各个w_{ij}^{(l)}的偏导数\frac{\partial e_n}{w_{ij}^{(l)}}。计算完偏微分之后,就可以使用GD或SGD算法进行权重的迭代优化,最终得到最优解。

神经网络中,这种从后往前的推导方法称为Backpropagation Algorithm,即我们常常听到的BP神经网络算法。它的算法流程如下所示:

上面采用的是SGD的方法,即每次迭代更新时只取一个点,这种做法一般不够稳定。所以通常会采用mini-batch的方法,即每次选取一些数据,例如\frac{N}{10},来进行训练,最后求平均值更新权重w。这种做法的实际效果会比较好一些。

Optimization and Regularization

经过以上的分析和推导,我们知道神经网络优化的目标就是让E_{in}(w)最小化。本节课我们采用error measure是squared error,当然也可以采用其它的错误衡量方式,只要在推导上做稍稍修改就可以了,此处不再赘述。

下面我们将主要分析神经网络的优化问题。由于神经网络由输入层、多个隐藏层、输出层构成,结构是比较复杂的非线性模型,因此E_{in}(w)可能有许多局部最小值,是non-convex的,找到全局最小值(globalminimum)就会困难许多。而我们使用GD或SGD算法得到的很可能就是局部最小值(local minimum)。

基于这个问题,不同的初始值权重w_{ij}^{(l)}通常会得到不同的local minimum。也就是说最终的输出G与初始权重w_{ij}^{(l)}有很大的关系。在选取w_{ij}^{(l)}上有个技巧,就是通常选择比较小的值,而且最好是随机random选择。这是因为,如果权重w_{ij}^{(l)}很大,那么根据tanh函数,得到的值会分布在两侧比较平缓的位置(类似于饱和saturation),这时候梯度很小,每次迭代权重可能只有微弱的变化,很难在全局上快速得到最优解。而随机选择的原因是通常对权重w_{ij}^{(l)}如何选择没有先验经验,只能通过random,从普遍概率上选择初始值,随机性避免了人为因素的干预,可以说更有可能经过迭代优化得到全局最优解。

下面从理论上看一下神经网络模型的VC Dimension。对于tanh这样的transfer function,其对应的整个模型的复杂度d_{vc}=O(VD)。其中V是神经网络中神经元的个数(不包括bias点),D表示所有权值的数量。所以,如果V足够大的时候,VC Dimension也会非常大,这样神经网络可以训练出非常复杂的模型。但同时也可能会造成过拟合overfitting。所以,神经网络中神经元的数量V不能太大。

为了防止神经网络过拟合,一个常用的方法就是使用regularization。之前我们就介绍过可以在error function中加入一个regularizer,例如熟悉的L2 regularizer \Omega(w): \Omega(w)=\sum(w_{ij}^{(l)})^2

但是,使用L2 regularizer 有一个缺点,就是它使每个权重进行等比例缩小(shrink)。也就是说大的权重缩小程度较大,小的权重缩小程度较小。这会带来一个问题,就是等比例缩小很难得到值为零的权重。而我们恰恰希望某些权重w_{ij}^{(l)}=0,即权重的解是松散(sparse)的。因为这样能有效减少VC Dimension,从而减小模型复杂度,防止过拟合发生。

那么为了得到sparse解,有什么方法呢?我们之前就介绍过可以使用L1 regularizer:|\sum|w{ij}^{(l)}|,但是这种做法存在一个缺点,就是包含绝对值不容易微分。除此之外,另外一种比较常用的方法就是使用weight-elimination regularizer。weight-elimination regularizer类似于L2 regularizer,只不过是在L2 regularizer上做了尺度的缩小,这样能使large weight和small weight都能得到同等程度的缩小,从而让更多权重最终为零。weight-elimination regularizer的表达式如下: \sum\frac{(w_{ij}^{(l)})^2}{1+(w_{ij}^{(l)})^2}

除了weight-elimination regularizer之外,还有另外一个很有效的regularization的方法,就是Early Stopping。简而言之,就是神经网络训练的次数t不能太多。因为,t太大的时候,相当于给模型寻找最优值更多的可能性,模型更复杂,VC Dimension增大,可能会overfitting。而t不太大时,能有效减少VC Dimension,降低模型复杂度,从而起到regularization的效果。E_{in}和E_{test}随训练次数t的关系如下图右下角所示:

那么,如何选择最佳的训练次数t呢?可以使用validation进行验证选择。

总结

本节课主要介绍了Neural Network模型。首先,我们通过使用一层甚至多层的perceptrons来获得更复杂的非线性模型。神经网络的每个神经元都相当于一个Neural Network Hypothesis,训练的本质就是在每一层网络上进行pattern extraction,找到最合适的权重w_{ij}^{(l)},最终得到最佳的G。本课程以regression模型为例,最终的G是线性模型,而中间各层均采用tanh函数作为transform function。计算权重w_{ij}^{(l)}的方法就是采用GD或者SGD,通过Backpropagation算法,不断更新优化权重值,最终使得E_{in}(w)最小化,即完成了整个神经网络的训练过程。最后,我们提到了神经网络的可以使用一些regularization来防止模型过拟合。这些方法包括随机选择较小的权重初始值,使用weight-elimination regularizer或者early stopping等。

注明:

文章中所有的图片均来自中国台湾大学林轩田《机器学习技法》课程

本文参与 腾讯云自媒体分享计划,分享自作者个人站点/博客。
原始发表:2017-08-01 ,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 作者个人站点/博客 前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
目录
  • Motivation
  • Neural Network Hypothesis
  • Neural Network Learning
  • Optimization and Regularization
  • 总结
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档