Lecture 4 介绍神经网络

2019-01-09 本文已影响20人 HRain

我们已知梯度计算有数值法和解析式法，当损失函数非常复杂时我们可能无法直接写出损失函数L对参数W的梯度计算表达式，所以可以引入中间节点，当前节点的梯度计算之和当前节点有关。例如下图是之前的损失函数计算图，卷积神经网络会更复杂。实践为了进行参数更新，通常也只计算参数W,b的梯度。然而 $x_i$ 的梯度有时仍然是有用的：比如将神经网络所做的事情可视化便于直观理解的时候，就能用上。（作业中会要求写这段代码。）

图1 损失函数L计算图

本课重点

反向传播算法
神经网络

1 反向传播算法

反向传播是利用链式法则递归计算表达式的梯度的方法。理解反向传播过程及其精妙之处，对于理解、实现、设计和调试神经网络非常关键。

1.1 标量的反向传播

1.1.1 引例

先从简单的例子开始说明，比如 $f(x,y,z) = (x + y) z$ 。初值 x = -2, y = 5, z = -4。虽然这个表达足够简单，可以直接微分，但是在此使用一种有助于直观理解反向传播的方法。下图是整个计算的线路图，绿字部分是函数值，红字是梯度。（梯度是一个向量，但通常将对x的偏导数称为x上的梯度。）

图2 梯度计算线路图
解释如下：

公式可以分为两部分， $q = x + y$ 和 $f = q z$ 。这两部分都很简单可以直接写出梯度表达式：

$f$ 是 $q$ 和 $z$ 的乘积，所以 $\frac{\partial f}{\partial q} = z=-4;$ $\frac{\partial f}{\partial z} = q=3$
$q$ 是 $x$ 和 $y$ 相加，所以 $\frac{\partial q}{\partial x} = 1，\frac{\partial q}{\partial y} = 1$

然而我们并不关心 $q$ 上的梯度，因为 $\frac{\partial f}{\partial q}$ 没有用处。我们关心的只有 $f$ 对于 $x,y,z$ 的梯度。链式法则指出将这些梯度表达式链接起来的正确方式是相乘，比如

$\frac{\partial f}{\partial x} = \frac{\partial f}{\partial q} \frac{\partial q}{\partial x} =-4$ 同理， $\frac{\partial f}{\partial y} =-4$

还有一点是 $\frac{\partial f}{\partial f}=1$

前向传播从输入计算到输出（绿色），反向传播从尾部开始，根据链式法则递归地向前计算梯度（显示为红色），一直到网络的输入端。可以认为，梯度是从计算链路中回流。

上述计算的代码如下：

# 设置输入值
x = -2; y = 5; z = -4

# 进行前向传播
q = x + y # q 是 3
f = q * z # f 是 -12

# 进行反向传播:
# 首先回传到 f = q * z
dfdz = q # df/dz = q, 所以关于z的梯度是3
dfdq = z # df/dq = z, 所以关于q的梯度是-4
# 现在回传到q = x + y
dfdx = 1.0 * dfdq # dq/dx = 1. 这里的乘法是因为链式法则。所以df/dx是-4
dfdy = 1.0 * dfdq # dq/dy = 1.所以df/dy是-4

'''一般可以省略df'''

1.1.2 直观理解反向传播

反向传播是一个优美的局部过程。以下图为例，在整个计算线路图中，会给每个门单元（也就是 $f$ 结点）一些输入值 $x$ , $y$ 并立即计算这个门单元的输出值 $z$ ，和当前节点输出值关于输入值的局部梯度（local gradient） $\frac{\partial z}{\partial x}$ 和 $\frac{\partial z}{\partial y}$ 。前向传播中，门单元的这两个计算是完全独立的，它不需要知道计算线路中的其他单元的计算细节。然而，一旦前向传播完毕，在反向传播的过程中，门单元将获得整个网络的最终输出值在自己的输出值上的梯度 $\frac{\partial L}{\partial z}$ 。链式法则指出，门单元应该将回传梯度乘以它的输出对输入的局部梯度，从而得到整个网络的输出对该门单元的每个输入值的梯度 $\frac{\partial L}{\partial x}$ 和 $\frac{\partial L}{\partial y}$ 。这两个值又可以作为前面门单元的回传梯度。

图3 反向传播门单元因此，反向传播可以看做是门单元之间在通过梯度信号相互通信，只要让它们的输入沿着梯度方向变化，无论它们自己的输出值在何种程度上升或降低，都是为了让整个网络的输出值更高。比如引例中x,y梯度都是-4，所以让x,y减小后，q的值虽然也会减小，但最终的输出值f会增大。（当然损失函数要的是最小。）

加法门、乘法门和max门

引例中用到了两种门单元：加法和乘法。
乘法求偏导： $f(x,y) = x y \hspace{0.1in} \rightarrow \hspace{0.1in} \frac{\partial f}{\partial x} = y \hspace{0.1in} \frac{\partial f}{\partial y} = x$ 加法求偏导： $f(x,y) = x + y \hspace{0.1in} \rightarrow \hspace{0.1in} \frac{\partial f}{\partial x} = 1 \hspace{0.1in} \frac{\partial f}{\partial y} = 1$ 除此之外，取最大值操作也是常用的： $f(x,y) = \max(x, y) \hspace{0.1in} \rightarrow \hspace{0.1in} \frac{\partial f}{\partial x} = \mathbb{1}(x >= y) \hspace{0.1in} \frac{\partial f}{\partial y} = \mathbb{1}(y >= x)$ 上式是说，如果该变量比另一个变量大，那么梯度是1，反之为0。

图4 加法门、乘法门和max门加法门单元是梯度分配器，输入的梯度都等于输出的梯度，这一行为与输入值在前向传播时的值无关；乘法门单元是梯度转换器，输入的梯度等于输出梯度乘以另一个输入的值，或者乘以倍数a（ax的形式乘法门单元）；max门单元是梯度路由器，输入值大的梯度等于输出梯度，小的为0。

乘法门单元的局部梯度就是输入值，但是是相互交换之后的，然后根据链式法则乘以输出值的梯度。基于此，如果乘法门单元的其中一个输入非常小，而另一个输入非常大，那么乘法门会把大的梯度分配给小的输入，把小的梯度分配给大的输入。在线性分类器中，权重和输入进行点积 $w^Tx_i$ ，这说明输入数据的大小对于权重梯度的大小有影响。例如，在计算过程中对所有输入数据样本 $x_i$ 乘以1000，那么权重的梯度将会增大1000倍，这样就必须降低学习率来弥补。这就是为什么数据预处理关系重大，它即使只是有微小变化，也会产生巨大影响。对于梯度在计算线路中是如何流动的有一个直观的理解，可以帮助调试神经网络。

1.1.3 一个更复杂的例子

下面看一个复杂一点的例子： $f(w,x) = \frac{1}{1+e^{-(w_0x_0 + w_1x_1 + w_2)}}$
这个表达式需要使用新的门单元：
$f(x) = \frac{1}{x} \hspace{0.15in} \rightarrow \hspace{0.16in} \frac{df}{dx} =- \frac{1}{x^2}\\ f_c(x) = c + x \hspace{0.2in} \rightarrow \hspace{0.1in} \frac{df}{dx} = 1 \\ f(x) = e^x \hspace{0.3in} \rightarrow \hspace{0.2in} \frac{df}{dx} = e^x \\ f_a(x) = ax \hspace{0.3in} \rightarrow \hspace{0.15in} \frac{df}{dx} = a$ 计算过程如下：

图5 计算过程
对于1/x门单元，回传梯度是1，局部梯度是

图6 输入和输出都是4096维的max函数这个max函数对输入向量x的每个元素都和0比较输出最大值，因此输出向量的维度也是4096维。此时的梯度是雅可比矩阵，即输出的每个元素对输入的每个元素求偏导组成的矩阵。假如输入x是n维的向量，输出y是m维的向量，则

那么这个例子的雅克比矩阵是[4096x4096]维的，输出有4096个元素，每一个都要求4096次偏导。其实仔细观察发现，这个例子输出的每个元素都只和输入相应位置的元素有关，因此得到的是一个对角矩阵。实际应用的时候，往往100个x 同时输入，此时雅克比矩阵是一个[409600x409600]的对角矩阵，当然只是针对这里的f函数。（实际上，完全写出并存储雅可比矩阵是不可能的事，因为维度非常大。）

一个例子

目标公式为： $f(x,W)=\vert \vert W\cdot x \vert \vert ^2=\sum_{i=1}^n (W\cdot x)_{i}^2$
其中x是n维的向量，W是n*n的矩阵。设 $q=W\cdot x$ ,于是得到下面的式子：

可以看出：

$\frac{\partial f}{\partial q_i}=2q_i$
从而得到f对q的梯度为 $2q$ ；
$\frac{\partial q_k}{\partial W_{i, j}}=1\{i=k\}x_j$
$\frac{\partial f}{\partial W_{i, j}}=\sum_{k=1}^n\frac{\partial f}{\partial q_k}\frac{\partial q_k}{\partial W_{i, j}}=\sum_{k=1}^n(2q_k)1\{i=k\}x_j=2q_ix_j$
从而得到f对W的梯度为 $2q\cdot x^T$ ；
$\frac{\partial q_k}{\partial x_i}=W_{k,i}$
$\frac{\partial f}{\partial x_i}=\sum_{k=1}^n\frac{\partial f}{\partial q_k}\frac{\partial q_k}{\partial x_i}=\sum_{k=1}^n(2q_k)W_{k,i}$
从而得到f对x的梯度为 $2W^T\cdot q$

下面为计算图：

图7 向量化计算图

代码实现：

import numpy as np

# 初值
W = np.array([[0.1, 0.5], [-0.3, 0.8]])
x = np.array([0.2, 0.4]).reshape((2, 1))  # 为了保证dq.dot(x.T)是一个矩阵而不是实数

# 前向传播
q = W.dot(x)
f = np.sum(np.square(q), axis=0)

# 反向传播
# 回传 f = np.sum(np.square(q), axis=0)
dq = 2*q
# 回传 q = W.dot(x)
dW = dq.dot(x.T)  # x.T就是对矩阵x进行转置
dx = W.T.dot(dq)

注意：要分析维度！不要去记忆dW和dx的表达式，因为它们很容易通过维度推导出来。权重的梯度dW的尺寸肯定和权重矩阵W的尺寸是一样的（为什么呢？上面有个例子不是输出4096，输入4096，梯度是[4096x4096]吗？这里又为什么梯度和原输入尺寸一致呢？其实并不矛盾，因为这里的 f 输出是1个实数，所以dW和W的形状一致。如果考虑dq/dW的话，如果按照雅克比矩阵的定义，dq/dw应该是2x2x2维，为了减小计算量，就令其等于x。其实完全不用考虑那么复杂，因为最终的损失函数一定是一个实数，所以每个门单元的输入梯度一定和原输入形状相同。关于这点的说明，可以点击这里，官网进行了详细的推导。），而这又是由x和dq的矩阵乘法决定的，总有一个方式是能够让维度之间能够对的上的。例如，x的尺寸是[2x1]，dq的尺寸是[2x1]，如果你想要dW和W的尺寸是[2x2]，那就要dq.dot(x.T)，如果是x.T.dot(dq)结果就不对了。（dq是回传梯度不能转置！）

2 神经网络简介

2.1 神经网络算法介绍

在不诉诸大脑的类比的情况下，依然是可以对神经网络算法进行介绍的。在线性分类一节中，在给出图像的情况下，是使用 $Wx$ 来计算不同视觉类别的评分，其中W是一个矩阵，x是一个输入列向量，它包含了图像的全部像素数据。在使用数据库CIFAR-10的案例中，x是一个[3072x1]的列向量，W是一个[10x3072]的矩阵，所以输出的评分是一个包含10个分类评分的向量。

一个两层的神经网络算法则不同，它的计算公式是 $s = W_2 \max(0, W_1 x)$ 。其中W1的含义是这样的：举个例子来说，它可以是一个[100x3072]的矩阵，其作用是将图像转化为一个100维的过渡向量，比如马的图片有头朝左和朝右，会分别得到一个分数。函数max(0,-)是非线性的，它会作用到每个元素。这个非线性函数有多种选择，后续将会学到。但这个形式是一个最常用的选择，它就是简单地设置阈值，将所有小于0的值变成0。最终，矩阵W2的尺寸是[10x100]，会对中间层的得分进行加权求和，因此将得到10个数字，这10个数字可以解释为是分类的评分。注意非线性函数在计算上是至关重要的，如果略去这一步，那么两个矩阵将会合二为一，对于分类的评分计算将重新变成关于输入的线性函数。这个非线性函数就是改变的关键点。参数W1,W2将通过随机梯度下降来学习到，他们的梯度在反向传播过程中，通过链式法则来求导计算得出。

一个三层的神经网络可以类比地看做 $s = W_3 \max(0, W_2 \max(0, W_1 x))$ ，其中W1,W2,W3是需要进行学习的参数。中间隐层的尺寸是网络的超参数，后续将学习如何设置它们。现在让我们先从神经元或者网络的角度理解上述计算。

两层神经网络代码示例，中间层使用sigmoid函数：

import numpy as np
from numpy.random import randn

N, D_in, H, D_out = 64, 1000, 100, 10
# x 是64x1000的矩阵，y是64x10的矩阵
x, y = randn(N, D_in), randn(N, D_out)
# w1是1000x100的矩阵，w2是100x10的矩阵
w1, w2 = randn(D_in, H), randn(H, D_out)

# 迭代10000次，损失达到0.0001级
for t in range(10000):
    h = 1 / (1 + np.exp(-x.dot(w1)))  # 激活函数使用sigmoid函数，中间层
    y_pred = h.dot(w2)
    loss = np.square(y_pred - y).sum()  # 损失使用 L2 范数
    print(str(t)+': '+str(loss))

    # 反向传播
    grad_y_pred = 2.0 * (y_pred - y)
    grad_w2 = h.T.dot(grad_y_pred)
    grad_h = grad_y_pred.dot(w2.T)
    # grad_xw1 = grad_h*h*(1-h)
    grad_w1 = x.T.dot(grad_h*h*(1-h))

    # 学习率是0.0001
    w1 -= 1e-4 * grad_w1
    w2 -= 1e-4 * grad_w2

2.2 神经网络与真实的神经对比

神经网络算法领域最初是被对生物神经系统建模这一目标启发。大脑的基本计算单位是神经元（neuron）。人类的神经系统中大约有860亿个神经元，它们被大约10¹⁴-10¹⁵个突触（synapses）连接起来。下面图表的左边展示了一个生物学的神经元，右边展示了一个常用的数学模型。每个神经元都从它的树突（dendrites）获得输入信号，然后沿着它唯一的轴突（axon）产生输出信号。轴突在末端会逐渐分枝，通过突触和其他神经元的树突相连。

在神经元的计算模型中，沿着轴突传播的信号（比如 $x_0$ ）将基于突触的突触强度（比如 $w_0$ ），与其他神经元的树突进行乘法交互（比如 $w_0 x_0$ ）。其观点是，突触的强度（也就是权重 $w$ ），是可学习的且可以控制一个神经元对于另一个神经元的影响强度（还可以控制影响方向：使其兴奋（正权重）或使其抑制（负权重））。在基本模型中，树突将信号传递到细胞体，信号在细胞体中相加。如果最终之和高于某个阈值，那么神经元将会激活，向其轴突输出一个峰值信号。在计算模型中，我们假设峰值信号的准确时间点不重要，是激活信号的频率在交流信息。基于这个速率编码的观点，将神经元的激活率建模为激活函数（activation function） $f$ ，它表达了轴突上激活信号的频率。由于历史原因，激活函数常常选择使用sigmoid函数 $\sigma$ ，该函数输入实数值（求和后的信号强度），然后将输入值压缩到0-1之间。在本节后面部分会看到这些激活函数的各种细节。

图8 神经元与数学模型对比

这里的激活函数f采用的是sigmoid函数，代码如下：

class Neuron:
    # ...
    def neuron_tick(self, inputs):
        # 假设输入和权重都是1xD的向量，偏差是一个数字
        cell_body_sum = np.sum(inputs*self.weights) + self.bias
        # 当和远大于0时，输出为1，被激活
        firing_rate = 1.0 / (1.0 + np.exp(-cell_body_sum))
        return firing_rate

此外，注意这种模型非常粗糙，真实的神经元可要复杂的多，所以一定要严谨谦逊，免得让生物专业的人笑的肚子疼。

常用的激活函数

图9 常用的激活函数

2.3 神经网络结构

对于普通神经网络，最普通的层的类型是全连接层（fully-connected layer）。全连接层中的神经元与其前后两层的神经元是完全成对连接的，但是在同一个全连接层内的神经元之间没有连接。在网络中不允许循环，因为这样会导致前向传播的无限循环。下面是两个神经网络的图例，都使用的全连接层：

图10 全连接神经网络左边是一个2层神经网络，隐层由4个神经元（也可称为单元（unit））组成，输出层由2个神经元组成，输入层是3个神经元（指的是输入图片的维度而不是图片的数量）。右边是一个3层神经网络，两个含4个神经元的隐层。注意：层与层之间的神经元是全连接的，但是层内的神经元不连接。当我们说N层神经网络的时候，我们没有把输入层算入。因此，单层的神经网络就是没有隐层的（输入直接映射到输出）。也会使用人工神经网络（Artificial Neural Networks 缩写ANN）或者多层感知器（Multi-Layer Perceptrons 缩写MLP）来指代神经网络。此外，输出层的神经元一般不含激活函数。

用来度量神经网络的尺寸的标准主要有两个：一个是神经元的个数，另一个是参数的个数。用上面图示的两个网络举例：

第一个网络有4+2=6个神经元（输入层不算），[3x4]+[4x2]=20个权重，还有4+2=6个偏置，共26个可学习的参数。
第二个网络有4+4+1=9个神经元，[3x4]+[4x4]+[4x1]=32个权重，4+4+1=9个偏置，共41个可学习的参数。

现代卷积神经网络能包含约1亿个参数，可由10-20层构成（这就是深度学习）。

三层神经网络代码示例

不断重复的矩阵乘法与激活函数交织。将神经网络组织成层状的一个主要原因，就是这个结构让神经网络算法使用矩阵向量操作变得简单和高效。用上面那个3层神经网络举例，输入是[3x1]的向量。一个层所有连接的强度可以存在一个单独的矩阵中。比如第一个隐层的权重W1是[4x3]，所有单元的偏置储存在b1中，尺寸[4x1]。这样，每个神经元的权重都在W1的一个行中，于是矩阵乘法np.dot(W1, x)+b1就能作为该层中所有神经元激活函数的输入数据。类似的，W2将会是[4x4]矩阵，存储着第二个隐层的连接，W3是[1x4]的矩阵，用于输出层。完整的3层神经网络的前向传播就是简单的3次矩阵乘法，其中交织着激活函数的应用。

import numpy as np

# 三层神经网络的前向传播
# 激活函数
f = lambda x: 1.0/(1.0 + np.exp(-x))

# 随机输入向量3x1
x = np.random.randn(3, 1)
# 设置权重和偏差
W1, W2, W3 = np.random.randn(4, 3), np.random.randn(4, 4), np.random.randn(1, 4),
b1, b2= np.random.randn(4, 1), np.random.randn(4, 1)
b3 = 1

# 计算第一个隐藏层激活 4x1
h1 = f(np.dot(W1, x) + b1)
# 计算第二个隐藏层激活 4x1
h2 = f(np.dot(W2, h1) + b2)
# 输出是一个数
out = np.dot(W3, h2) + b3

在上面的代码中，W1，W2，W3，b1，b2，b3都是网络中可以学习的参数。注意x并不是一个单独的列向量，而可以是一个批量的训练数据（其中每个输入样本将会是x中的一列），所有的样本将会被并行化的高效计算出来。注意神经网络最后一层通常是没有激活函数的（例如，在分类任务中它给出一个实数值的分类评分）。反向传播过程可参考作业1中的内容。

全连接层的前向传播一般就是先进行一个矩阵乘法，然后加上偏置并运用激活函数。

理解神经网络

理解具有全连接层的神经网络的一个方式是：可以认为它们定义了一个由一系列函数组成的函数族，网络的权重就是每个函数的参数。拥有至少一个隐层的神经网络是一个通用的近似器，神经网络可以近似任何连续函数。虽然一个2层网络在数学理论上能完美地近似所有连续函数，但在实际操作中效果相对较差。虽然在理论上深层网络（使用了多个隐层）和单层网络的表达能力是一样的，但是就实践经验而言，深度网络效果比单层网络好。

在实践中3层的神经网络会比2层的表现好，然而继续加深（做到4，5，6层）很少有太大帮助。卷积神经网络的情况却不同，在卷积神经网络中，对于一个良好的识别系统来说，深度是一个非常重要的因素（比如数十(以10为量级)个可学习的层）。对于该现象的一种解释观点是：因为图像拥有层次化结构（比如脸是由眼睛等组成，眼睛又是由边缘组成），所以多层处理对于这种数据就有直观意义。

总结

前向传播与反向传播、标量与向量形式，核心思想都是分段计算和链式法则；
神经网络简介，与神经元对比，激活函数，神经网络结构，理解神经网络