深度学习（一）- 全连接神经网络

1. 神经元模型

在神经网络中，最基本的单元为神经元。在生物的角度上来看，神经元互相连接，在神经元处于“兴奋“状态时，会向其相连的神经元传递化学物质。其中处于”兴奋“的条件为：神经元的电位达到某个阈值。

类似的，在神经网络模型中，一个基本的神经元模型为：

Fig. 1. 周志华. 机器学习. 2016

 

可以看到，一个神经元接受多个输入，并产生一个输出。其中 x 为输入（例如一列 one-hot 编码后的向量），w为输入权重（即神经元的参数），y为输出。

在其他文档中，我们可能会看到以下神经元结构，例如：

Fig. 2. 郑泽宇 顾思宇. TensorFlow 实战Google深度学习框架. 2017

此处与上图的区别在于：多了一个常量 b（偏置项），并且神经元并没有阈值。这是由于此处将神经元的阈值固定为 -1，将 b 作为输入考虑，以简化问题。（上图暂未提到激活函数，会在后续提及）在下文中提到的神经元均以 Fig. 2. 为准。

 

2. 前向传播

 多个神经元之间相互连接，即构成了神经网络，例如：

 

 

Fig. 3. 郑泽宇 顾思宇. TensorFlow 实战Google深度学习框架. 2017

 

常规神经网络由三部分组成：输入层，（一个或多个）隐藏层，输出层。

前向传播是指：由左到右，依次计算出每层每个节点的值，直至计算出y的值。

以上图为例（此处先省略偏置项 b），设：

输入为：X = [x₁, x₂]

输入层参数为：

隐藏层参数为：

则隐藏层输出为：

（若加上偏置项，则为：

）

输出层为： A x W⁽²⁾ = y

（若加上偏置项，则为 A x W⁽²⁾ + b⁽²⁾ = y)

 

3. 激活函数

以上例子并未将激活函数考虑入内，可以明显看出，由 x 计算出 y 的公式为一个线性模型。

若是展开 A x W² 式，则最终结果类似为：

也就是说，最终的结果仍是一个线性函数，并且添加层数并不能解决此问题。线性模型能解决的问题有限，若是一个分类问题，可以由一条线或是一个高位平面划分解决，则可以使用线性模型。而若是此问题并不是一个线性可分问题，则无法直接通过线性模型解决，例如：

 

 

此分类问题的 decision boundary（分类边界）为一个（类）圆形方程，非线性方程，所以无法解决此类问题。

为了将神经元的输出做去线性化，便引入了激活函数，常用激活函数有：ReLU、sigmoid以tanh。具体如下所示：

 

 

Fig. 4. 郑泽宇 顾思宇. TensorFlow 实战Google深度学习框架. 2017

 

在加入激活函数后，前向传播的公式可写为（f 为激活函数）：

隐藏层输出为：

输出层为：

 

4. 损失函数

在机器学习中，损失函数用于衡量模型输出值与目标值之间的损失（差距）。例如：在Fig.3. 的神经网络中，对于一个训练样本，假设模型输出为 y，训练样本的目标值为 y’，则此单个样本的损失值为 |y’ - y|。对于多个样本，损失值为：

为了方便求导以及计算，一般使用均方误差，则此时损失值为：

由于 x 已知，所以其中 y’ 可以表示为自变量为 w（神经网络参数）的输出，所以 loss 可以表示为自变量为 w 函数。此时机器学习训练的目标为：找出使得 loss 值最小的参数 w。此过程即为机器学习的训练过程。

以上提到的均方误差损失函数主要用于监督学习中的回归问题。在机器学习中的监督学习中，主要有两大类：分类与回归。上面介绍了回归问题中的经典损失函数，下面介绍分类问题中经典损失函数。

在分类问题中，以MINST 手写识别问题为例，目标类别一共有 11 个类别，为 0 – 10。所以在神经网络的输出层用，一般会对应有 11个节点，这是 11 个节点组成一个 11 维向量。若是需要识别的目标值为 5，则神经网络的输出越接近 [0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0]，表示预测概率越准。其中，衡量两个向量相似度的方法为：交叉熵（cross entropy）。

交叉熵衡量的是两个概率分布之间的距离，作为损失函数广泛用于多分类问题中。给定两个概率分布 p 和 q，通过 q 来表示 p 的交叉熵为：

上文提到，交叉熵用于衡量两个概率分布之间的距离，但是神经网络的输出却不一定是概率分布。所以我们需要将神经网络的输出层处理为一个概率分布，这里用到的方法是 Softmax。

假设神经网络的输出为 y₁ , y₂ ,…, y_n，在经过 Softmax 处理后，输出为一个概率分布：

再次回到交叉熵的公式，此公式并不是一个对称的（也就是说 H(p,q) 并不等于 H(q,p)），它刻画的是：用概率分布 q来表示概率分布 p 的难度。我们在计算出预测分布后，需要了解的是如何用预测分布来刻画实际分布。所以神经网络的输出（经过Softmax）被用作q，实际概率分布为p。

交叉熵衡量了两个概率分布之间的距离，所以此值越小，表示预测分布与实际分布越接近。

 

5. 梯度下降

在神经网络中，最常用的优化方法为反向传播算法。神经网络的训练过程是：求解参数 w 的值，使得损失函数的损失值尽可能的小（一般很难求解最小）。所以神经网络训练优化的是参数 w 的值。

反向传播算法基于的是梯度下降法，梯度下降法的过程简单的说，就是：不断迭代更新参数，使得损失值不断向最小值方向移动。此处的梯度表示的是函数的梯度（斜率、一阶导数），给定一个参数值，使得此参数值不断沿着梯度（斜率）的反方向移动，以使参数值不断趋近于最小值。

 

下面以二元二次方程为例：令 y = f(x) = x²，使用梯度下降的方式求解 x，使得y不断趋近于最小值。

1.       1. 由 f(x) = x² ，我们可以求得 f(x) 的一阶导数为： f(x)’ = 2x

2.       2. 对 x 的初始值取随机值（如正整数2），则在 x=2 时，它的梯度为 4，梯度的反方向为 -4

3.       3. 指定在移动的过程中步长参数为 0.1（也就是梯度下降的学习速率），则第一次移动的值为 -0.4，移动后的 x 值为 1.6，y值为 2.56

4.       4. 不断重复步骤3，直到移动到足够小的值，或是达到指定训练轮数

 

此过程图示如下：

 

Fig. 5. Andrew Ng. Machine Learning (Couresra)

 

一般在机器学习的训练中，会有多个参数值，如 w₁, w₂, w₃ … w_n。此时在使用梯度下降优化时，首先随机为它们产生初始值，然后在一轮学习中，更新每个参数值。如更新 w₁ 时，先固定除它之外的所有参数，然后更新 w₁。继而在更新 w₂ 时，仍使用w₁ 更新前的值，并固定其他参数，然后更新w₂ 。更新完所有 w 后，为一轮学习（更新）结束，继而进入下一轮学习（更新）。

在机器学习中，一般使用梯度下降算法对损失函数进行优化，求解损失函数的参数 w，使得损失值最小。由损失函数的公式（这里以均方误差损失函数为例）可知，在计算时需要将训练集中所有样本考虑在内。这样就会导致大量计算，每一轮迭代中都要计算整个样本量的损失值，使得计算时间大大增加。所以之后又提出了随机梯度下降方法。

随机梯度下降是指：不使用全部的训练集，而只是使用一条训练数据，对参数进行更新。但是此方法的问题是，一条训练数据不足以代表整个数据集。所以最终的方法使用的是：使用一个batch（如50条，100条等）的训练数据对参数进行更新。这样兼顾了训练速度以及准确性。

 

6. 反向传播

反向传播是神经网络中最常用的优化算法，其原理基于梯度下降，用于优化神经网络中参数。简单的说，就是由输出层开始，使用梯度下降的方式，逐步向前更新每层参数。此方向与前向传播方向相反，所以称为反向传播。这里我们以一个最简单的神经网络来说明反向传播的过程：

 

 

 

此处 x 为单节点输入层，a 为单节点隐藏层，y 为单节点输出层，则：

以均方误差为损失函数，则有：

以上函数中，给定 x，以及初始化随机值 w、u，可求得 a 与 y，并应用梯度下降法更新参数 u 的值。将以上损失函数继续展开得：

可以进一步得到有关自变量 w 的损失函数，然后再使用梯度下降对参数 w 进行更新。若是有多层，则逐层往以此方式更新参数。 

以上是一个简单的反向传播思想，在实际应用中，除了有多层，多节点外，还涉及激活函数。更详细的反向传播推理、求导过程（链式求导），请参考《机器学习》（周志华，2016）神经网络章节。

 

7. 全连接神经网络实现

在有了以上知识基础后，下面我们用Keras 搭建一个神经网络，应用于 MINST（手写数字数据集）。Keras 是 python 的一个库，提供了用于搭建神经网络模型的高层 API。在Keras 之下，用于训练的框架可以基于 TensorFlow，CNTK 或Theano。下面我们使用 Keras 搭建一个全连接神经网络。

首先获取MINST数据集：

训练图片集中，每一条为 28 × 28 的矩阵，取值范围为 0-255，一共60000 条数据。这里我们需要将 28 × 28 矩阵转换为一维向量，以输入模型神经元：

这里除以 255 是为了将数据做归一化，将数据范围调整到（0, 1）范围内，以防止数值之间差值太大，影响训练结果。

再看一下训练图片集中的标注信息：

 

接下来搭建模型：

这里我们使用了全连接神经网络（即 Dense()），其中输入层为 28 × 28个神经元（对应训练数据每条向量维度），隐藏层为 512 个神经元，输出层为 10 个神经元（对应每条输出的向量维度）。

所以输入层与隐藏层之间的参数个数为：28×28 ×512 + 512（这里+512 表示的是偏置项）=  401920。这里隐藏层的激活函数为上文提到的 sigmoid，输出层的激活函数为上文提到的 softmax。

优化方法为 rmsprop（optimizer=’rmsprop’，也是一种基于梯度的优化方法，类似随机梯度下降），损失函数为 categorical_crossentropy（上文提到对于多分类任务使用的损失函数），metrics为accuracy（即以准确度衡量模型训练结果）。

搭建完模型后，开始对模型进行训练：

这里epochs 表示训练 20 个轮次，batch_size 表示每次以 128 条为一个 batch（前文在随机梯度下降有提到），validation_split 表示使用训练集的多少比率数据用作验证集。

训练结束后，我们在测试集上进行拟合：

可以看到在测试集上的loss 为 0.123，准确度为 96.55%。

在history.history 里会记录每轮训练后的损失值以及正确率，使用 matplotlib 画出训练集与验证集上每轮的损失值与正确率：

从上图可以看出，训练集在开始训练后的很早几轮后即开始出现了过拟合的现象，导致模型泛化性能相对不足。对此，可以尝试增加L1、L2 正则惩罚项、使用dropout、减少网络大小（即可训练的参数个数）、获取更多训练数据等，以降低过拟合（这里其实前几轮训练后即开始出现过拟合，所以可以在4轮左右即可停止训练）。具体有关过拟合与欠拟合之后再详述。

 

References：

1. 郑泽宇 顾思宇. TensorFlow 实战Google深度学习框架. 2017

2. 周志华. 机器学习. 2016

3. Python 深度学习. 弗朗索瓦 肖莱. 张亮译. 2018