深度学习基本概念简介

一、Linear Models' Bias

上篇学习机器学习一文中，所构造的 $y = b + wx_0$ 函数是一个linear model亦即线性模型，但是linear models有缺陷的——它过于简单了。实际应用中，我们所面临的不会只是一个简单的linear model，因此我们需要更复杂的models。

比如上图中的红色曲线，如何找到它的表达式呢？

可以通过许多条蓝色的函数相加得到红色曲线的函数。所有的Piecewise Linear Curves都可以用一组类似的“蓝色函数 + 常数”来表达出来，即使是曲线也可以，如下图：

 

---

二、如何找“蓝色函数”？

Sigmoid Function
$y = c\frac{1}{1 + e ^ {-(b + wx_1)}} = c*sigmoid(b + wx_1)$
其函数图像如下表示：

我们可以对sigmoid函数中的参数做调整，得到不同形状的sigmoid函数，来逼近蓝色函数。
改变w可以改变sigmoid函数的斜率；改变b可以左右移动其位置；改变c可以改变其高度，如下图：

所以不同的常数c，截距b和斜率w就会得到不同的sigmoid函数，然后将它们加起来就能够逼近目标函数，即

\[y = b + \sum_{i}c_isigmoid(b_i + w_ix_1) \]

\[y = b + w_1 \longrightarrow y = b + \sum_{i}c_isigmoid(b_i + w_ix_1) \]

 

---

三、深度学习里的三个步骤

仿照前面ML里的三个步骤，我们也可以将其完全套在DL中

1. Function with unkonwn parameters
不同于ML里我们定义的简单的linear model，通过上面的分析我们可以得到一个全新的model——拥有更多features的model！
将前面的linear表达式代入sigmoid函数：

\[y = b + \sum_{j}w_jx_j \longrightarrow y = b + \sum_{i}c_isigmoid(b_i + \sum_{j}w_{ij}x_i) \]

其中：
\(j\)代表第\(j\)个feature（即第\(j\)天的点击量）；\(i\)代表选择第\(i\)个sigmoid函数；\(w_{ij}\)表示在第\(i\)个sigmoid函数中\(x_j\)的权值
如图，分别代入计算就能得到：

\[r_1 = b_1 + w_{11}x_1 + w_{12}x_2 + w_{13}x_3 \]

\[r_2 = b_2 + w_{21}x_1 + w_{22}x_2 + w_{23}x_3 \]

\[r_3 = b_3 + w_{31}x_1 + w_{32}x_2 + w_{33}x_3 \]

由线性代数的知识可以发现，上面的三个式子可以写作矩阵的乘法：

\[r = b + W x \]

\[\begin{bmatrix}r_1 \\ r_2 \\ r_3 \end{bmatrix} = \begin{bmatrix}b_1 \\ b_2 \\ b_3 \end{bmatrix} + \begin{bmatrix} w_{11} & w_{12} & w_{13} \\ w_{21} & w_{22} & w_{23} \\ w_{31} & w_{32} & w_{33} \end{bmatrix} \begin{bmatrix}x_1 \\ x_2 \\ x_3 \end{bmatrix} \]

然后将\(r\)代入sigmoid函数，记作\(a = \sigma(r)\)，乘上系数\(c\)，再加上\(b\)就得到最后的\(y\)，即\(y = b + c^Ta\)

最终得到：$$y = b + c^T \sigma({\bf b} + Wx)$$(\(b\)和\(\bf b\)区别开)

将W矩阵中的行或者列取出来，与\(b\)，\(\bf b\)和\(c^T\)竖着排列起来组成：

\[\theta = \begin{bmatrix} \theta_1 \\ \theta_2 \\ \theta_3 \\. \\. \\. \end{bmatrix} \]

就进入了第2步找Loss函数

2. Define Loss from Training Data
Loss函数与ML一节中讲的一样，定义函数\(L(\theta)\)
先给定一组参数代入\(y = b + c^T \sigma({\bf b} + Wx)\)计算出\(y\)的值，然后将其与真实值（label） \(\widehat{y}\)比较，得到误差\(e\)，最后便可得Loss函数的表达式：

\[L = \frac{1}{N}\sum_{n}e_n \]

进而到第3步找一个最优解的步骤

3. Optimization
记 \(\theta^\star = arg min_{\theta}L\)

• (Randomly)Pick initial value \(\theta^0\)
  gradient \(g = \begin{bmatrix} \dfrac{\partial L}{\partial \theta_1}|_{\theta = \theta^0} \\ \dfrac{\partial L}{\partial \theta_2}|_{\theta = \theta^0} \\ . \\ . \\ . \end{bmatrix}\)
  可以记作：\(g =\nabla L(\theta^0)\)（就是梯度符号）

• Compute gradient again and again
  \(g =\nabla L(\theta^0)\) \(\theta^1 \leftarrow \theta^0 - \eta g\)
  \(g =\nabla L(\theta^1)\) \(\theta^2 \leftarrow \theta^1 - \eta g\)
  \(g =\nabla L(\theta^2)\) \(\theta^3 \leftarrow \theta^2 - \eta g\)

还有另一种计算方式，将整个L中的数据分成N个batch（批），每批数据中有B个数据，与上面的方法略有差异，每次update时，是依次从每个batch里取出数据来update，当把所有的batch更新过一遍，叫1个epoch（时期）

 

---

四、从sigmoid到ReLU

ReLU（Rectified Linear Unit）是另一种 Activation Function（激活函数），前面提到的分段Sigmoid（Hard-Sigmoid）函数的表达式可能会很难写出来，但是其可以看作是2个ReLU函数相加，ReLU函数的表达式如下： $$c*max(0, b + wx_1)$$

如此，我们前面y的表达式就可以变成：

\[y = b + \sum_{i}c_isigmoid(b_i + \sum_{j}w_{ij}x_i) \]

\[\longrightarrow \]

\[y = b + \sum_{2i}c_{i}max(0, b_i + \sum_{j}w_{ij}x_j) \]

注意换成ReLU函数后，\(i\)变为原来的2倍，因为2个ReLU函数才能合成一个Sigmoid函数

 

---

五、到底为什么叫Deep Learning ？

上面的例子里我们只套了一层激活函数就得到了y的表达式，但是人们发现套的层数多一些预测的效果就会更好一些，所以不妨多套几层：

其中我们用到的sigmoid或ReLU函数叫neuron（神经元），许多neuron套起来就叫neural network（神经网络）。后来人们又给它们取了新的名字，每一排的neuron叫作hidden layer（隐含层），有许多层layer所以叫作Deep Learning

但是层数越多不见得预测效果会越好，在课堂实例中，虽然随着层数的增加，在训练数据上的效果越来越好，但是在预测数据上误差出现了增大，这便是overfitting（过拟合）