[筆記]深度學習(Deep Learning)-神經網路學習的優化

類神經網路 deeplearning python

Kevin 2018-08-26 22:25:29 ‧ 11435 瀏覽

分享至

前言

筆記幾乎都來自於O'REILLY Deep Learning。
這次優化筆記講解完，大家也大概了解神經網路的基礎，下一次就要進入到捲積神經網路(CNN)。這次的重點在於Batch Normalization，你也會發現優化方式與上次介紹的範數規一化類似，接下來先介紹如何設定一個比較好的初始化權種方式。

權重預設優化

首先先複習上次介紹到的訓練流程。
1.輸入。
2.權重.偏權重(forward)。
3.活化函數(forward)。
4.重複2 ~ 3步驟(依網路深度)。
5.輸出 + 損失函數(forward)。
7.反向進行backward從輸出+損失開始->重複3 ~ 2(backward)，權重部分記錄dW和db才能更新權重。
8.訓練權重(使用梯度下降)。
9.重複2 ~ 8步驟(依訓練次數等等)。

然而在第二個步驟，權重的預設原先都是亂數乘上0.01取得，但這可能會導致"梯度消失"(圖一)或"表現力受限"(每個Layout輸出都類似)(圖二)。

圖一，來源：歐萊里書籍(權重乘上1，活化使用sigmoid)

圖二，來源：歐萊里書籍(權重乘上0.01，活化使用sigmoid)

然而Xavier Glorot提出Xavier預設值，Xavier預設為1 / sqrt(n)(圖三)，He為sqrt(2 / n)，若Relu使用Xavier層數越深就會出現"梯度消失"的情況(圖四)(Relu小於0信息就會消失)，所以將其乘上2使數值變大會更加穩定(圖五)。

圖三，來源：歐萊里書籍(Xavier預設權重，活化使用sigmoid)

圖四，來源：歐萊里書籍(Xavier預設權重，活化使用Relu)

圖五，來源：歐萊里書籍(He預設權重，活化使用Relu)

# 來源歐萊里書籍
import numpy as np
import matplotlib.pyplot as plt

def sigmoid(x):
    return 1 / (1 + np.exp(-x))

def Relu(x):
    return np.maximum(x, 0)

input_data = np.random.randn(1000, 100)
node_num = 100
hidden_layer_size = 5
activations = {}

x = input_data

for i in range(hidden_layer_size):
    if i != 0:
        x = activations[i - 1]
    #w = np.random.randn(node_num, node_num) * 1
    #w = np.random.randn(node_num, node_num) * 0.01
    w = np.random.randn(node_num, node_num) * np.sqrt(2 / node_num)
    #w = np.random.randn(node_num, node_num) * np.sqrt(1 / node_num)
    a = np.dot(x, w)
    z = Relu(a)
    #z = sigmoid(a)
    activations[i] = z

for i, a in activations.items():
    plt.subplot(1, len(activations), i + 1)
    plt.title(str(i + 1) + "-layer")
    if i != 0: plt.yticks([], [])
    plt.hist(a.flatten(), 30, range = (0, 1))
plt.show()

分散量數(變異量數)

統計學當中量數分為集中量數和分散量。以下簡單介紹集中和分散的區別。

集中量數：表達目前全部數據趨近的數。
統計中的平均數、眾數、中位數都是屬於集中量數，例如數據[1, 2, 3]，它平均值為2，簡單來說全部的數值都趨近於2附近，然而有人會提問3不可以嗎?，這時候就需要使用到分散量數來去比較趨近2還是趨近3，哪一個數是全部數據最趨近的。
分散量數：表達目前數據分散數值(越小越集中)。
統計中的平均差、離均差平方和(變異數)標準差都是屬於分散量數，然而離均差會比平均差比較常使用，因為當數據為極端分數時平均差數據不夠凸顯，如以下例子。

平均差公式：。

離均差平方公式：。

標準差公式：。

可以看到標準差都會較大，在極端分數值也會比平均差顯得更突出，其實離均差主要是利用面積特性來去取得數值，圖一為平均差計算方式，圖二為標準差計算方式，由圖可以比較平均差像基於一維計算，標準差則是二維平面計算。

圖一

圖二

註:這裡跟範數L2其實有點類似之處，範數L2是計算"整體離散分布"，而樣本標準差則是計算"平均的離散分布"。

Batch Normalization

主要用來將資料規一化，這裡我解釋為利用個數平均差(集中量數)和標準差(分散量數)來計算集中的分布位置，標準差為目前趨近位置，個數平均差則是和平均值的差異和方向(正負)，然而取得一個規一化的"標準分布位置"，然而這裡多了兩個可以調整參數γ和β，這裡預設為1和0。
公式為，，接著來分析它的逆向傳播。
正向傳播:
1.1 / n * sum(x) = avg。
2.x - avg = c。
3.1 / n * sum((x - avg)^2) = var。
4.sqrt(var) = std。
5.c / std = n。
6.γ * n + β = y。

反向傳播，假入傳入的為dy:

1.dβ = dy每行加總(與β陣列大小相同即可)。
2.dγ = dy * n每行加總(與γ陣列大小相同即可)。
3.dn = γ * dy。

// 對應的正向傳播公式。
// γ和β與權重的b一樣在python運算都會自動擴充所以要計算每行加總。
γ * n + β = y

4.dc = dn / std。
5.dstd = -dx * c / (std * std)。帶入除法的反向後每行加總(與std陣列大小相同即可)。

// 對應的正向傳播公式。
// c為每一個數據，std(全部的標準差)與權重的b一樣自動擴充所以要計算每行加總。
c / std

6.dvar = dstd * 0.5 / sqrt(var)。var^(1/2)微分 = 0.5 * var^(-1/2) = 0.5 / sqrt(var)。

// 對應的正向傳播公式。
sqrt(var)

7.原先dc加上 1 / n * 2 * c * dvar 總和(sigma)。直接微分c^2微分 = 2c。

// 對應的正向傳播公式。
// (x - avg)為c所以d(x - avg) = dc。
1 / n * sum((n - avg)^2

8.davg = -1 * dc。減法傳遞。
9.dx = 1 * dc。加法傳遞。

// 對應的正向傳播公式。
x - avg

9.dsum(x) = 1 / n * davg總和(sigma)。與sum(x)陣列大小相同即可。
10.原先dx加丄dsum(x)。

// 對應的正向傳播公式。
1 / n * sum(x) = avg

Batch的反向傳播比較複雜，其中是因為dx和dc要算兩次，因為正向傳播它的公式是分開的，然而最後還要相加在一起，這次多了更號的傳遞和減法的傳遞，所以看起來會相當複雜。

結果虛線為未加入Batch，實線為有加入Batch。

來源歐萊里書籍。

Weight decay(權重衰減)

Weight decay(權重衰減)是比Batch出現的更早的，它主要用來過度學習，避免訓練出來的模型只有訓練資料輸出結果是正確的。
通常過度學習都會出現在於權重較大、資料少、訓練次數多都有可能會出現，然而這裡使用L2範數權重衰減，不同地方在於沒有做開更號，可能是因為怕權重會不夠凸顯或是太趨近於0導致無作用。公式為0.5 * lr * W^2每層權重加總道loss結果，lr主要用來控制衰減率，0.5是為了反向傳播更好微分，下面推倒反向傳播公式。

正向傳播:
1.0.5 * lr * W^2。

反向傳播:

0.5 * lr * W^2
1.dW = lr * W。

在原先計算dW時候還要多加上上方的lr * W，範例。

grads['W'] = self.layers['Affine'].dW + self.weight_decay * self.layers['Affine'].W

結果，藍色線條為訓練資料，橘色為預測資料：

來源：歐萊里書籍(無加入Weight decay)。

來源：歐萊里書籍(Weight decay = 0.1)。

Dropout

但在網路較複雜情況下Weight decay的表現效果不一定會很好，因此有Dropout的出現，它實現的的結構我認為更加簡易明瞭。
在目前筆記的神經網路中，過度訓練意思為輸入數據100%可以預測成功，但遇到非輸入資料預測率則會非常低，100%表示已經不會再學習了，所以是若隨機將神經元刪除，依賴性降低(原本只能預測完整的1，現在可能可以預測歪一邊的1)，可以預防過度學習到100%，公式，x * (rand(x大小) > drop_base)，drop_base為自行設定值，隨機數比drop_base大的設定為1小為0，乘上x後0的將會停止傳遞，以下為推導公式。

正向傳播:
1.x * (rand(x大小) > drop_base)。

反向傳播，假設上層傳來為dy:
x * (rand(x大小) > drop_base)
1.dx = dy * (rand(x大小) > drop_base)。

結果，藍色線條為訓練資料，橘色為預測資料：

來源：歐萊里書籍(無使用drop_base)。