iT邦幫忙

第 11 屆 iT 邦幫忙鐵人賽

DAY 25
1
Google Developers Machine Learning

Google machine learning 學習筆記系列 第 25

【Day 25】 Google ML - Lab 5 - 在視覺化的網頁中觀察神經網路(neural network)如何分類資料, 並比較batch size如何影響gradient descent

前言

這幾天的文章會是一系列的,會需要一起看才比較能看懂整個ML模型的輪廓,
然而因為一天能寫的內容量有限,所以我會在前言部分稍微說明我寫到哪。

複習一下ML的整個訓練過程

因為ML模型的訓練階段章節內容會分很多部分,我們要先確認好自己在哪個階段,
以免吸收新內容卻不知道用在內容的什麼地方。

★ML的整個「訓練過程」:這裡以監督式學習(Supervised Learning)為例

階段 要做的事情 簡介
(訓練前) 決定資料集與分析資料 你想要預測的是什麼資料? 這邊需要先知道 examplelabelfeatures的概念。介紹可參考:【Day 15】,而我們這次作為範例的訓練資料集介紹在【Day 19】
(訓練前) 決定問題種類 依據資料,會知道是什麼類型的問題。regression problem(回歸問題)? classification problem(分類問題)? 此處可參考:【Day 16】、與進階內容:【Day 17】
(訓練前) 決定ML模型(ML models) 依據問題的種類,會知道需要使用什麼對應的ML模型。回歸模型(Regression model)? 分類模型(Classification model)? 此處可參考:【Day 18】神經網路(neural network)? 簡介於:【Day 25】
(模型裡面的參數) ML模型裡面的參數(parameters)超參數(hyper-parameters) 此處可參考:【Day 18】
(訓練中) 調整模型 評估當前模型好壞 損失函數(Loss Functions):使用損失函數評估目前模型的好與壞。以MSE(Mean Squared Error), RMSE(Root Mean Squared Error), 交叉熵(Cross Entropy)為例。此處可參考:【Day 20】
(訓練中) 調整模型 修正模型參數 梯度下降法 (Gradient Descent)為例:決定模型中參數的修正「方向」與「步長(step size)」此處可參考:【Day 21】
(訓練中) 調整腳步 調整學習腳步 透過學習速率(learning rate)來調整ML模型訓練的步長(step size),調整學習腳步。(此參數在訓練前設定,為hyper-parameter)。此處可參考:【Day 22】
(訓練中) 加快訓練 取樣與分堆 設定batch size,透過batch從訓練目標中取樣,來加快ML模型訓練的速度。(此參數在訓練前設定,為hyper-parameter)。與迭代(iteration),epoch介紹。此處可參考:【Day 23】
(訓練中) 加快訓練 檢查loss的頻率 調整「檢查loss的頻率」,依據時間(Time-based)步驟(Step-based)。此處可參考:【Day 23】
(訓練中) 完成訓練 (loop) -> 完成 重覆過程(評估當前模型好壞 -> 修正模型參數),直到能通過「驗證資料集(Validation)」的驗證即可結束訓練。此處可參考:【Day 27】
(訓練後) 訓練結果可能問題 「不適當的最小loss?」 此處可參考:【Day 28】
(訓練後) 訓練結果可能問題 欠擬合(underfitting)?過度擬合(overfitting)? 此處可參考:【Day 26】
(訓練後) 評估 - 性能指標 性能指標(performance metrics):以混淆矩陣(confusion matrix)分析,包含「Accuracy」、「Precision」、「Recall」三種評估指標。簡介於:【Day 28】、詳細介紹於:【Day 29】
(訓練後) 評估 - 新資料適用性 泛化(Generalization):對於新資料、沒看過的資料的模型適用性。此處可參考:【Day 26】
(訓練後) 評估 - 模型測試 使用「獨立測試資料集(Test)」測試? 使用交叉驗證(cross-validation)(又稱bootstrapping)測試? 此處可參考:【Day 27】
(資料分堆的方式) (訓練前) 依據上方「模型測試」的方法,決定資料分堆的方式:訓練用(Training)、驗證用(Validation)、測試用(Test)。此處可參考:【Day 27】

★小實驗系列:

文章 實驗內容
【Day 24】 TensorFlow Playground 的簡介與介面介紹
【Day 24】 learning rate 的改變對訓練過程的影響
【Day 25】 使用神經網路(neural network)分類資料
【Day 25】 觀察batch size如何影響gradient descent

Course - Launching into Machine Learning

第三章節的課程地圖:(紅字標記為本篇文章中會介紹到的章節)

  • Optimization
    • Introduction to Optimization
      • Introduction
    • Defining ML Models
      • Defining ML Models
      • Introducing the Natality Dataset
    • Introducing Loss Functions
    • Gradient Descent
      • Gradient Descent
      • Troubleshooting a Loss Curve
      • ML Model Pitfalls
    • TensorFlow Playground
      • Lab: Introducing the TensorFlow Playground
      • Lab: TensorFlow Playground - Advanced
      • Lab: Practicing with Neural Networks
      • Loss Curve Troubleshooting
    • Performance Metrics
      • Performance Metrics
      • Confusion Matrix
    • Module Quiz

1. Lab: Practicing with Neural Networks

課程地圖

  • Optimization
    • TensorFlow Playground
      • Lab: Practicing with Neural Networks

我們已經知道了linear model是如何幫我們分類資料集的,
再來我們來看看neural network是怎麼做的。

不過在那之前,我們需要理解一些新的功能,
我們已經先實作好在 TenserFlow playground 裡面了。


1.1. 實驗介面介紹

https://ithelp.ithome.com.tw/upload/images/20190928/201204242dtC8jzEFy.png

  • 首先我們要知道activation功能

Activation是由激活函數(activation function)產生的,
在第五課(The Art and Science of ML)時我們會有更詳細的介紹
(不過可能來不及寫到那? 有時間再補一下了~)

現在我們能夠改變的關鍵是激活函數(activation function)的選擇,
這也是我們該如何從neural networks區分出linear models
而我們以前就是設置線性的激活函數(activation function)

自己的註:

前面有提過,linear models是一種簡化版的neural networks

  • 第二個我們要知道的是隱藏層(hidden layers)功能

hidden layers的功能允許我們去更改hidden layers的數量,
同時我們也能更改每一層hidden layers的神經元(neurons)數量

我們可以先簡單把這段想成「更改資料進入神經網路後的轉換次數」

在每層hidden layer的神經元(neurons),會接收所有來自「上一層的結果」,
而「上一層的結果」就會變成「這一層的輸入」,
並且傳遞給所有在這隱藏層(hidden layers)的神經元,
而我們的整個神經網路就是進行這樣的動作,讓每個神經元都能接收到訊息,

我們可以用簡單的網路(network)架構來比喻用神經元的數量以及他們如何傳遞資訊

  • 第三個我們要知道的是batch size功能

前面【Day 23】有介紹過他的意義了,我們會在這個實驗使用他。

再來我們可以使用以下的連結,嘗試去訓練一個能分辨資料集的模型:

然而,這邊與其使用非線性函數的功能來實現,
但我們會建議嘗試只靠修改神經網路(neural network)架構去改善表現的結果,
(雖然我們目前neural networks還沒有細講理論,但我們可以先觀察變化)

現在開始,我們可以在這個介面簡單操作,直到你可以訓練出一個良好的網路。


1.2. 小實驗 - 使用神經網路(neural network)分類資料

https://ithelp.ithome.com.tw/upload/images/20190928/20120424TKlnw1t1J0.png
(訓練後)

我們再稍微操作一下之後,應該就能訓練
出一個良好的模型,並且輸出結果可能中間會有包含藍色的多邊形區域,

我們現在要一一的觀察隱藏層(hidden layers)裡面的內容,
使我們對模型有更直覺的概念,
我們先仔細看第一個hidden layer的神經元(neurons)(紅色框框的部分第一個)

https://ithelp.ithome.com.tw/upload/images/20190928/20120424UrcfjSGKIc.png

當我們將滑鼠移到每一個神經元(neurons)的上方,右側的output也會改為顯示我們的結果。

我們可以觀察每一個神經元(neurons),用我們理解最終結果的方式,
特徵(features)X1與X2的值皆已經被編碼在正方形裡面,
顏色表示「在這個神經元」中「X1與X2組合輸出的結果」,

我們依序看過每一格神經元(neurons),我們就可以試想一個問題,

  • 如果這些紅色格子內的神經元(neurons)疊加會是怎麼樣子的呢?

    • 藍+藍 = 更藍
    • 藍+白 = 淺藍
    • 藍+橘 = 白
  • 這時我們就可以開始去想,每一個神經元(neurons)是怎麼樣去參與共同決定最後的決策邊界?
    (也就是說,最後輸出的形狀與隱藏層(hidden layers)有什麼關聯?)

    • 我們可以明顯看出,每個神經元(neurons)似乎都有對最後的決策邊界貢獻出了幾個邊。
  • 現在我們可以用幾何的概念去想,如果「靠我們自己」製造出這個網路並獲得合理的結果的可能性有多小?

    • 就好比,如果從藍點的周圍,我們能夠簡單劃出一個合理計算結果的形狀嗎?

1.3. 小實驗 - 觀察batch size如何影響gradient descent

在TenserFlow playground進行實驗,我們能直接看出我們的直覺是否準確。
我們已經看過神經網路「hidden layer的結果」能用來決定最後的決策邊界(decision boundary)

那只有一層hidden layer的神經網路與很多層hidden layer的差別呢?
我們現在來分類一個螺旋狀的資料集試試看。

https://ithelp.ithome.com.tw/upload/images/20190928/20120424qWViS3PCbH.png

我們也可以趁這個機會來了解batch size是怎麼影響gradient descent的,

  • 我們設定batch size為1,並以neural network的架構實驗。
    訓練大約經過300 epochs的時候我們先暫停一下,「注意loss曲線的變化」

https://ithelp.ithome.com.tw/upload/images/20190928/20120424btX4e6VNQg.png

  • 再來,我們把batch size分別設定為10,我們再做一次,
    一樣經過300 epochs的時候我們先暫停一下。

  • 最後,我們把batch size分別設定為30,我們再做一次,
    一樣我們也是訓練300個epochs

我們看得出loss曲線的平滑度有明顯的差異,
而且是隨著batch size增加,平滑度也會增加。
我們能用什麼我們已經知道的知識解釋觀察到的變化呢?

https://ithelp.ithome.com.tw/upload/images/20190928/20120424VV3hFr519x.png

我們就從batch size會影響gradient descent的角度下去想,

  • batch size小的時候,
    我們的模型「更新參數」的基礎只基於一種example所計算出的loss。
    但是每個example皆不相同,這就是問題所在。

  • batch size增加的時候,
    各個資料集所產生出來的noise(雜訊)會比較穩定,
    漸漸的我們能夠看出比較清楚的特徵。

但是我們不能輕易的依據觀察結果下結論:「batch size能夠直接對收斂速度產生影響。」
batch sizelearning rate皆為超參數(hyperparameter)
所以batch size會因要訓練的題目不同而有不同,
我們應該使用 hyperparameter tuning 來調整它。

https://ithelp.ithome.com.tw/upload/images/20190928/20120424giUQZ2cmxP.png

我們的模型完成訓練後,應該會長得像右邊這樣的圖,
第一件事情我們先注意「第一層隱藏層(hidden layer)」與之後的層之間的關係。
我們應該可以很明顯發現,在第一層隱藏層(hidden layer)的輸出,基本上都是線。

自己的註:

我稍微想了一下他的意思,應該是指我們可以看到在第一層 hidden layer 中內部的分區圖,基本上都是以「一條線」來區分「白色」與「藍色」區塊的。

https://ithelp.ithome.com.tw/upload/images/20190928/201204249HkMOiKZOf.png

在第一層之後的隱藏層輸出複雜很多,這些後續的層是基於前面層的結果堆疊而成,
(與我們上面所說的堆疊方式相同。)

因此,我們可以將neural network視為特徵的層次架構,
它們從前一層拿取自己的inputs,並以複雜的方式轉換成最終能分類資料的方法。
這個就是最經典的神經網路(neural network)代表。
這種方法與傳統的機器學習(machine learning)方法是很不相同的。

神經網路(neural network)之前,
資料科學家花了很多時間做特徵工程(feature engineering)
現在我們有ML模型可以幫忙負擔一些工程,
而我們可以將思考layers的意義作為一種特徵工程(feature engineering)的形式。


1.4. 過度擬合(over-fitting)

接下來要講到的是模型學到的一些奇怪的東西,
我們的模型似乎將兩個區域中沒有橙色的點,解釋為它是支持藍色的證據。

我們稱「模型將資料集中的雜訊(noise)也解釋了」的錯誤為過度擬合(over-fitting)

自己的註:

也就是白色也等於橘色了,但原本應該只有橘色等於橘色的。

當「模型的決定權」超出了「問題的嚴格必要限制」時,就會發生這樣的情況。
當一個模型是 over-fit 的,它們通常泛化(generalization)的效果很差,
(也就是對未看過的資料處理能力很差)
比較好的結果應該是保留應該保留的內容,
雜訊(noise)與我們想分析的pattern不應該會有一樣的分類結果

這件事,我們會在往後泛化(generalization)取樣(sampling)的內容仔細討論。


參考資料


上一篇
【Day 24】 Google ML - Lab 4 - TensorFlow Playground - 讓我們在視覺化的網頁中體驗一下訓練ML模型吧!learning rate 改變對訓練過程的影響
下一篇
【Day 26】 Google ML - Lesson 10 - 泛化(Generalization)-檢查ML模型對於未知資料集的預測能力, underfitting與overfitting的問題
系列文
Google machine learning 學習筆記30

尚未有邦友留言

立即登入留言