机器学习笔记(3): 神经网络初步

合集 - 机器学习笔记(3)

1.机器学习笔记(1): 梯度下降算法2024-06-022.机器学习笔记(2): Logistic 回归2024-06-07

3.机器学习笔记(3): 神经网络初步2024-06-08

收起

神经网络应该由若干神经元组成。

前面的每一个神经元都会给到一个参数，将传递的所有参数看作一个向量 $\vec x$，那么此神经元的净输入为：

$$z = x \omega + b$$

其中 $\omega$ 称为权重向量。

这里认为 $x$ 是行向量，而 $\omega$ 是列向量。

神经元还有一个激活函数 $f(\cdot)$：

$$a = f(z)$$

称为函数的活性值

一般来说，我们使用 Logistic 函数，即 $\sigma(x) = \frac 1 {1 + exp(-x)}$ 作为激活函数。

激活函数

激活函数有很多很多种，一般来说要满足以下几点：

1. 连续且可导的非线性函数。
2. 函数本身和其导数要尽可能简单。
3. 值域要在一个合适的区间内

这里列举几种常见的函数。

Sigmoid 型

指一类两端饱和的 S 型曲线。

饱和：
$\lim_\limits{x \to -\infty} f'(x) = 0$ 称为左饱和，$\lim_\limits{x \to \infty} f'(x) = 0$ 称为右饱和。
同时满足则称为两端饱和。

常见的 Sigmoid 型函数有 Logistic 和 Tanh。

• Logistic 函数

$$\sigma(x) = \frac 1 {1 + \exp(-x)}$$

其导数：

$$\sigma'(x) = \frac {\exp(-x)}{(1 + \exp(-x))^2} = \sigma(x) (1 - \sigma(x))$$

• Tanh 函数

$${\rm tanh}(x) = \frac {\exp(x) - \exp(-x)}{\exp(x) + \exp(-x)}$$

其可以看作缩放平移后的 $\sigma$，因为：

$${\rm tanh}(x) = 2 \sigma(2x) - 1$$

自然其导数：

$${\rm tanh}'(x) = 4 \sigma(2x)(1 - \sigma(2x)) = \frac {4}{(\exp(x) + \exp(-x))^2}$$

实际上我们可以通过近似的方法去拟合这个函数，毕竟 $e^x$ 也不是那么好算的。

• Hard-Logistic 和 Hard-Tanh 函数

$${\rm hard-\sigma}(x) = \begin{cases} 1 & x > 2 \\ \frac x 4 + \frac 1 2 & x \in [-2, 2] \\ 0 & x < 2 \end{cases}$$

或者利用 $\min, \max$ 简化：

$${\rm hard-\sigma}(x) = \max(\min(\frac x 4 + \frac 1 2, 1), 0)$$

类似的：

$${\rm hard-tanh}(x) = \max(\min(x, 1), -1)$$

ReLU

也就是 Rectified Linear Unit，线性修正单元，定义为：

$${\rm ReLU}(x) = \begin{cases} x & x \ge 0 \\ 0 & x < 0 \end{cases}$$

也就是 ${\rm ReLU}(x) = \max(x, 0)$

当然，因为可能出现 死亡 ReLU 问题，所以一般有如下变形：

$${\rm PReLU}(x) = \begin{cases} x & x \ge 0 \\ \gamma x & x < 0 \end{cases}$$

如果 $\gamma = 0$ 则退化为 $\rm ReLU$ 函数，如果 $\gamma < 1$，那么也可以写为：

$${\rm LeakyLU(x)} = \max(x, \gamma x)$$

另一个变形是：

$${\rm ELU}(x) = \begin{cases} x & x \ge 0 \\ \gamma(\exp(x) - 1) & x < 0 \end{cases}$$

还有一个则是：

$${\rm Softplus}(x) = \log(1 + \exp(x))$$

Swish 函数

这是一种自控门函数：

$${\rm swish}(x) = x \sigma(\beta x)$$

网络结构

网络结构分三种：

• 前馈网络
• 记忆网络
• 图网络

这里先讲述前馈网络。

这是一个前馈网络的示意图，其中第一层为输入层，最后一层为输出层。

而中间的那些层称为隐藏层。隐藏层可以有多个，而这里只画出了一个。

每一层有若干神经元，而两层间的神经元两两相连。

现在我们定义一些符号：

• $L$ 表示总层数，注意这里输入层为第 $0$ 层，不计入其中；输出层为第 $L$ 层。
• $M_l$ 表示第 $l$ 层的神经元数量。
• $f_l(\cdot)$ 表示第 $l$ 层的激活函数。
• $W^{(l)} \in \mathbb{R}^{M_l \times M_{l - 1}}$ 表示第 $l - 1$ 层到第 $l$ 层的权重矩阵（若干权重向量组成）。
• $b^{(l)} \in \mathbb{R}^{M_l}$ 表示第 $l$ 层的偏置。
• $z^{(l)} \in \mathbb{R}^{M_l}$ 表示净输入。
• $a^{(l)} \in \mathbb{R}^{M_l}$ 表示输出。

对于一组数据 $(\vec x, y)$，前馈神经网络通过如下算法进行传播：

$$\begin{aligned} z^{(l)} &= W^{(l)} a^{(l - 1)} + b^{(l)} \\ a^{(l)} &= f_l(z^{(l)}) \end{aligned}$$

参数学习

参数学习可能略有点复杂，证明过程我懒得写成 $\LaTeX$，这里就省略了。

我们利用反向传播算法进行学习，其步骤如下：

• 选取一个数据，计算 $a^{(l)}$ 和 $z^{(l)}$。
• 反向传播每一层的误差 $\delta^{(l)}$
• 计算每一层的偏导数，更新参数

显然的是 $\delta^{(L)} = a^{(L)} - y$

经过一番神秘的推导，我们可以得到：

$$\delta^{(l)} = f_l'\left(z^{(l)}\right) \cdot \left( \left( W^{(l + 1)} \right)^T \delta^{(l + 1)} \right) \in \mathbb{R}^{M_l}$$

其中 $\cdot$ 表示元素一一相乘。

而计算偏导数的公式也不难：

$$\begin{aligned} \frac {\partial}{\partial W^{(l)}} R(W) &= \delta^{(l)} \left( a^{(l - 1)} \right)^T \\ \frac {\partial}{\partial b^{(l)}} R(W) &= \delta^{(l)} \end{aligned}$$

也就是参数更新方式为：

$$\begin{aligned} W^{(l)} &\leftarrow W^{(l)} - \alpha \left( \delta^{(l)} \left( a^{(l - 1)} \right)^T + \lambda W^{(l)} \right) \\ b^{(l)} &\leftarrow b^{(l)} - \alpha \delta^{(l)} \end{aligned}$$

但是值得注意的是，一般我们都会将 $W^{(l)}$ 的第一列作为 $b^{(l)}$，也就是不分开，所以在代码实现上要好生注意！

这是吴恩达机器学习 ex4 的部分代码：

function [J grad] = nnCostFunction(nn_params, ...
                                   input_layer_size, ...
                                   hidden_layer_size, ...
                                   num_labels, ...
                                   X, y, lambda)

% Theta1 25 x 401
% Theta2 10 x 26

Theta1 = reshape(nn_params(1:hidden_layer_size * (input_layer_size + 1)), ...
                 hidden_layer_size, (input_layer_size + 1));

Theta2 = reshape(nn_params((1 + (hidden_layer_size * (input_layer_size + 1))):end), ...
                 num_labels, (hidden_layer_size + 1));
                 
temp1 = Theta1;
temp2 = Theta2;
temp1(:, 1) = 0;
temp2(:, 1) = 0;

m = size(X, 1);
         
J = 0;
Theta1_grad = zeros(size(Theta1));
Theta2_grad = zeros(size(Theta2));

% forward propagation
A2 = sigmoid([ones(m, 1) X] * Theta1'); % m x 25
A3 = sigmoid([ones(m, 1) A2] * Theta2'); % m x 10

% caculate cost
Y = zeros(m, num_labels);
for i = 1:m
	Y(i, y(i)) = 1;
end
J -= sum(sum( log(A3) .* Y + log(1 - A3) .* (1 - Y) ));
J += lambda / 2 * (sum(sum(temp1 .* temp1)) + sum(sum(temp2 .* temp2)));
J /= m;

% Back Propagation

D1 = zeros(size(Theta1));
D2 = zeros(size(Theta2));

for i = 1:m
	a1 = X(i, :); % 1 x 400
	a2 = A2(i, :); % 1 x 25
	a3 = A3(i, :); % 1 x 10
	y = Y(i, :); % 1 x 10
	d3 = (a3 - y)'; % 10 x 1
	d2 = (Theta2' * d3) .* [1 a2]' .* (1 - [1 a2])'; % 26 x 1
	d2 = d2(2:end) ; % 25 x 1
	
	D1 += d2 * [1 a1];
	D2 += d3 * [1 a2];
end

Theta1_grad = (D1 + lambda * temp1) / m;
Theta2_grad = (D2 + lambda * temp2) / m;

% Unroll gradients
grad = [Theta1_grad(:) ; Theta2_grad(:)];

end