神经网络及其训练

Posted 2020-11-12 royhoo

在前面的博客人工神经网络入门和训练深度神经网络，也介绍了与本文类似的内容。前面的两篇博客侧重的是如何使用TensorFlow实现，而本文侧重相关数学公式及其推导。

1 神经网络基础

1.1 单个神经元

一个神经元就是一个计算单元，传入$n$个输入，产生一个输出，再应用于激活函数。记$n$维输入向量为$x$，$n$维权重矩阵向量是$w$，偏置项为$b$，激活函数为sigmoid，最终激活后的输出为$a$：

egin{align*}
a = frac{1}{1 + exp(-(w^T x + b))}
end{align*}

将权重和偏置项组合在一起，得到如下公式：

egin{align*}
a = frac{1}{1 + exp(-[w^T quad b] cdot [x quad 1])}
end{align*}

图1更直观地描述了该公式：

图1 单个神经元的输入及输出

1.2 单层神经元

将单个神经元扩展到一层，共$m$个神经元，每个神经元的输入都是$x$，权重记做${ w^{(i)}, cdots, w^{(m)} }$，偏置项记做${ b^{(i)}, cdots, b^{(m)} }$，则每个神经元激活后的输出：

egin{align*}
a_1 &= frac{1}{1 + exp(-((w^{(1)})^T x + b_1))} \\
&vdots \\
a_m &= frac{1}{1 + exp(-((w^{(m)})^T x + b_m))}
end{align*}

下面我们定义更抽象的形式，以便用于复杂的神经网络：

egin{align*}
&W = egin{bmatrix} - & w^{(1)T} & -\\ & cdots & \\ - & w^{(m)T} & - end{bmatrix} in mathbb{R}^{m imes n} \\
&b = egin{bmatrix} b_1\\ vdots \\ b_m end{bmatrix} in mathbb{R}^m \\
&z = Wx + b \\
&sigma(z) = egin{bmatrix} frac{1}{1 + exp(-z_1)}\\ vdots \\ frac{1}{1 + exp(-z_m)} end{bmatrix} \\
&egin{bmatrix} a^{(1)}\\ vdots \\ a^{(m)} end{bmatrix} = sigma(z) = sigma(Wx + b)
end{align*}

1.3 前馈计算

 

图2 简单的前馈神经网络

如图2所示的神经网络，只有1个隐层，输出：

egin{align*}
s = U^T a = U^T f(Wx + b)
end{align*}

其中，$f$是激活函数。

维度分析：假设词向量维度为2，一次使用5个词作为输入，则输入$x in mathbb{R}^{20}$。如果隐层有8个sigmoid神经元，并在输出层产生1个未规范化的分值，那么$W in mathbb{R}^{8 imes 20},b in mathbb{R}^{8},U in mathbb{R}^{8 imes 1},s in mathbb{R}$。

1.4 最大间隔目标函数

最大间隔目标函数的思想是，确保正样本的分值高于负样本的分值。这与SVM的目标韩式较为相似。正样本经神经网络计算，得到的分值记做$s$，负样本记做$s_c$，目标函数就是最大化$(s - s_c)$，或者最小化$(s_c - s)$。只有在$s_c > s$时才需要更新神经网络的参数。因此，如果$s_c > s$，则损失是$s_c - s$；否则，损失是0。因此损失函数：

egin{align*}
J = max(s_c-s,0)
end{align*}

训练神经网络的目标是使得$J$最小。

为了得到一个更安全的边界，我们希望正样本分值比负样本分值大出$Delta$（大于0），因此：

egin{align*}
J = max(s_c - s + Delta ,0)
end{align*}

其实为了简化公式，可以直接取$Delta = 1$（根据SVM提到的知识，对函数距离的缩放，不会影响最终结果。$s$和$s_c$都是函数距离），模型在训练过程中其参数会自动适应这一约束，且不影响最终结果。此时目标函数：

egin{align*}
J = max(s_c - s + 1 ,0)
end{align*}

1.5 反向传播训练模型

我们需要求得损失函数关于每个参数的偏导数，然后使用梯度下降更新参数：

egin{align*}
heta^{(t+1)} = heta^{(t)} - alpha abla_{ heta^{(t)}} J
end{align*}

反向传播使用链式求导法则，求得损失函数关于每个参数的偏导数。为了进一步理解这一技术，首先看一下图3的神经网络：

图3

上图的神经网络只有一个隐层，一个输出。为简单起见，定义以下概率：

• $x_i$是神经网络的一个输入
• $s$是神经网络的输出
• 第$k$层的第$j$个神经元接受标量输入$z^{(k)}_j$并产生标量激活输出$a^{(k)}_j$
• 将$z^{(k)}_j$算出的反向传播误差记做$delta^{(k)}_j$
• 第一层是指输入层，而不是第一个隐层。对于输入层，$x_j = z^{(1)}_j = a^{(1)}_j$
• $W^{(k)}$是转移矩阵，将第$k$层的输出映射为第$k+1$层的输入

图4 与更新$W^{(1)}_{14}$相关的部分

如图4，如果要更新$W^{(1)}_{14}$，首先要意识到，只有在计算$z^{(2)}_1$时才会用到$W^{(1)}_{14}$。$z^{(2)}_1$仅仅用于计算了$a^{(2)}_1$，$a^{(2)}_1$与$W^{(2)}_1$用于计算最终的分值。首先有算是函数关于$s$和$s_c$的偏导数：

egin{align*}
frac{partial J}{partial s} = -frac{partial J}{partial s_c} = -1
end{align*}

为简单起见，我们只计算$frac{partial s}{partial w^{(1)}_{ij}}$：

egin{align*}
frac{partial s}{partial w^{(1)}_{ij}} &= frac{partial W^{(2)} a^{(2)}}{partial w^{(1)}_{ij}} ag{1} \\
&= frac{partial W^{(2)}_i a^{(2)}_i}{partial w^{(1)}_{ij}} ag{2} \\
&= W^{(2)}_i frac{partial a^{(2)}_i}{partial w^{(1)}_{ij}} ag{3} \\
end{align*}

第(1)步很直观，因为$s = W^{(2)} a^{(2)}$。第(2)步是因为，只有在计算标量$a^{(2)}_i$时，才会用到向量$W^{(1)}_i$。第(3)步也很直观，我们是在求关于$W^{(1)}_i$的偏导数，$W^{(2)}_i$直接看做常数。

然后应用链式法则：

egin{align*}
W^{(2)}_i frac{partial a^{(2)}_i}{partial w^{(1)}_{ij}} &= W^{(2)}_i frac{partial a^{(2)}_i}{partial z^{(2)}_i} frac{partial z^{(2)}_i}{partial w^{(1)}_{ij}} \\
&= W^{(2)}_i frac{partial f(z^{(2)}_i)}{partial z^{(2)}_i} frac{partial z^{(2)}_i}{partial w^{(1)}_{ij}} \\
&= W^{(2)}_i f‘(z^{(2)}_i) frac{partial z^{(2)}_i}{partial w^{(1)}_{ij}} \\
&= W^{(2)}_i f‘(z^{(2)}_i) frac{partial}{partial w^{(1)}_{ij}} (b^{(1)}_i + a^{(1)}_1W^{(1)}_{i1} + a^{(1)}_2W^{(1)}_{i2} + a^{(1)}_3W^{(1)}_{i3} + a^{(1)}_4W^{(1)}_{i4}) \\
&= W^{(2)}_i f‘(z^{(2)}_i) a^{(1)}_j \\
&= delta^{(2)}_i cdot a^{(1)}_j
end{align*}

$delta^{(2)}_i$本质上是第2层第$i$个神经元反向传回的误差。

现在我们换一种方式，用误差分配和反向传播来讨论如何更新图4中的更新$W^{(1)}_{14}$：

1. 首先从$a^{(3)}_1$反向传回误差1
2. 这个误差乘以把$z^{(3)}_1$映射到$a^{(3)}_1$的神经元的导数。由于输出层没有激活函数，$z^{(3)}_1 = a^{(3)}_1$，因此这一导数刚好是1，乘积依然是1，也就是$delta^{(3)}_1 = 1$
3. 目前误差已经反向传播到了$z^{(3)}_1 = 1$，我们需要将误差“公平分配”给$a^{(2)}_1 = 1$
4. 到达$a^{(2)}_1$的误差是$delta^{(3)}_1 imes W^{(2)}_1 = W^{(2)}_1$
5. 和第2不一样，求得将$z^{(2)}_1$映射到a^{(2)}_1$的神经元的导数$f‘(z^{(2)}_1)$
6. 到达$z^{(2)}_1$的误差$f‘(z^{(2)}_1)W^{(2)}_1$，也就是$delta^{(2)}_1 = 1$
7. 然后需要将误差“公平分配”给$W^{(1)}_{14}$，也就是上一步的误差乘以$a^{(4)}_1$
8. 因此，最终得到损失函数关于$W^{(1)}_{14}$的偏导数$a^{(4)}_1 f‘(z^{(2)}_1) W^{(2)}_{1}$

以上我们用链式法则和误差分配反向传播得到的结果是一样的。

偏置项更新：偏置项也可以看成输入向量的一个维度，只不过这个维度始终为1（这种1.1小节中的第二个公式就可以看出）。因此，第$k$层第$i$个神经元偏置项的偏导数直接就是$delta^{(k)}_i$。例如，在上面我们是要更新$b^{(1)}_1$，而不是$W^{(1)}_{14}$，那么梯度直接就是$f‘(z^{(2)}_1) W^{(2)}_{1}$。

将$delta^{(k)}$到$delta^{(k-1)}$的误差计算一般化：

 

图5 从$delta^{(k)}$到$delta^{(k-1)}$的误差传播

1. 我们已经有了从$z^{(k)}_i$传回的误差$delta^{(k)}$，如图5左侧所示
2. 计算反向传给$a^{(k-1)}_j$的误差，通过$delta^{(k)}_i$乘以路径权重$W^{(k-1)}_{ij}$
3. 因此，$a^{(k-1)}_j$接收到的误差就是$delta^{(k)}_i W^{(k-1)}_{ij}$
4. 然而，$a^{(k-1)}_j$可能会前馈到下一层的多个节点，如图5右侧所示。这样的话，$a^{(k-1)}_j$还要接收从$k$层的节点$m$反向传回的误差。
5. 一次，$a^{(k-1)}_j$接收到的误差是$delta^{(k)}_i W^{(k-1)}_{ij} + delta^{(k)}_m W^{(k-1)}_{mj}$
6. 事实上，这可以一般化为$sum_i delta^{(k)}_i W^{(k-1)}_{ij}$
7. 现在已经有了$a^{(k-1)}_j$的误差，并且$a^{(k-1)}_j$关于$z^{(k-1)}_j$的导数为$f‘(z^{(k-1)}_j)$
8. 因此，误差传到了$z^{(k-1)}_j$，记做$delta^{(k-1)}_j$，大小为$f‘(z^{(k-1)}_j) sum_i delta^{(k)}_i W^{(k-1)}_{ij}$

1.6 反向传播训练向量化

用向量化的代码取代for循环，有助于提高代码的执行效率（可以充分利用GPU加速吧？）。

上面我们给出了如何计算一个参数的梯度，现在我们介绍更一般化的方法，一次性地更新整个权重矩阵和偏置向量。这一简单的扩张有助于为我们建立一种直觉，误差传播可以抽象到矩阵-向量级别。

给出一个权重$W^{(k)}_{ij}$，我们定义其误差梯度为$delta^{(k+1)}_i cdot a^{(k)}_j$。$W^{(k)}$是将$a^{(k)}$映射为$z^{(k+1)}$的权重矩阵。我们可以建立整个矩阵$W^{(k)}$的误差梯度：