前馈神经网络

PP鲁

发布于 2020-06-29 15:50:41

1.8K0

发布于 2020-06-29 15:50:41

我的网站显示效果更好，欢迎访问：https://lulaoshi.info/machine-learning/neural-network/feedforward-neural-network.html

神经元模型与神经网络

在生物神经网络中，一个神经元（Neuron，又被称为Unit）会和多个神经元相连，当神经元兴奋时，它会向相连的神经元发送化学物质，进而改变相连神经元的电位；如果某个神经元的电位超过了阈值（Threshold），这个神经元被激活为兴奋状态，再进而向其他神经元发送化学物质。机器学习领域的神经网络（Neural Network）模型借鉴了生物学的一些思想。

下图左侧是神经元的生物学表示，神经元会接受来自树突（Dendrite）的信号，会沿着轴突（Axon）向下发送信号。轴突会继续和下游神经元通过突触（Synapse）相连。

下图右侧是机器学习领域对神经网络的建模。中间部分是当前神经元，左侧是与之相连的上层神经元，当前神经元接收到来自上层神经元的输入信号

\boldsymbol{x}

。两层神经元之间有连接权重

\boldsymbol{w}

，权重和输入信号相乘，上层神经元的信号通过连接权重传递下去。权重是可以学习的，权重控制着上层信号对其影响，如果权重为正数，表示更易兴奋，权重为负数，表示该路信号被抑制。当前神经元将接收到的各路输入值求和，所得的和与神经元的阈值进行比较，然后通过激活函数（Activation Function），生成输出。真实的神经元的激活原理更复杂，一方面要依据电位阈值，另一方面还要控制激活时间。机器学习中的激活函数做了精简，不去控制激活时间。

图1 神经元模型

在生物神经系统中，神经元不止一种，一路信号肯定不是一个权重值就能控制的，而且神经元能实现很多非线性的激活函数，激活时间也是可以控制的，这个时间对于神经系统非常重要。总之，生物神经元是一个复杂的、动态的、非线性的系统，显然机器学习的神经元模型做了大量精简。

把许多这样的神经元按照一定层次结构连接起来，就得到了神经网络。下图是一种神经网络，图中有3维特征。最左侧是输入数据，被称为输入层（Input Layer），最右侧是输出数据，被称为输出层（Output Layer），中间层不直接与输入输出相连，常被称为隐藏层（Hidden Layer）。

图2 神经网络

我们用

g(z)

表示激活函数，常见的激活函数有：

\begin{aligned} g(z) &= \frac{1}{1+\exp{(-z)}} \quad \quad (sigmoid) \\ g(z) &= max(z, 0) \quad \quad \quad \quad (ReLU) \\ g(z) &= \frac{e^z - e^z}{e^z + e^z} \quad \quad \quad \quad \quad (tanh) \end{aligned}

这些激活函数的形状如下图所示：

图3 常见激活函数

Sigmoid函数或者又称为Logistic函数，我们曾在Logistic Regression中介绍过，它将

(-\infty, +\infty)

的输入压缩到了0和1之间。经过Sigmoid函数后，较大的负数会接近0，较大的正数会接近1。Sigmoid函数的这些特征可以很好地解释神经元模型，0表示不产生兴奋，1表示产生兴奋。早期的神经网络喜欢使用Sigmoid函数作为激活函数，但Sigmoid函数也有一些弊端，现在的神经网络几乎不再使用它了。Logistic Regression使用了Sigmoid函数，Logistic Regression又被认为是一种非常简单的神经网络。

前馈神经网络

图2是一种最简单的神经网络，网络的输入层向前传播影响到了隐藏层，隐藏层进一步向前传播影响到输出层，这种网络又被成为前馈神经网络（Feedforward Neural Network），有些地方也会称之为多层感知机（Multilayer Perceptron，MLP）。前馈神经网络中数据是从输入层到输出层按照一个方向流动的，中间没有任何循环，这种前向传播的网络区别于循环神经网络。

向量化表示

继续以图2中的网络为例，网络的输入是一个3维向量

\boldsymbol{x}

，隐藏层的各个节点接受来自

\boldsymbol{x}

的输入，求和后得到

\boldsymbol{z}

，经过激活函数，输出为

\boldsymbol{a}

。

在多层神经网络中，区分哪一层非常有必要。以下公式中，方括号

[]

表示该参数属于哪一层，本例中只有一个隐藏层，用

[1]

表示。

z_{1}^{[1]} = {W_1^{[1]}}^T\boldsymbol{x} +b_1^{[1]} \quad \quad a_{1}^{[1]} = g(z_{1}^{[1]}) \\ \vdots \\ z_{4}^{[1]} = {W_4^{[1]}}^T\boldsymbol{x} +b_4^{[1]} \quad \quad a_{4}^{[1]} = g(z_{4}^{[1]})

数据经过隐藏层，得到一个4维的输出向量

\boldsymbol{a}^{[1]}

：

\boldsymbol{a}^{[1]} = \begin{bmatrix} a_{1}^{[1]} \\ a_{2}^{[1]} \\ a_{3}^{[1]} \\ a_{4}^{[1]} \end{bmatrix}

将这个向量

\boldsymbol{a}^{[1]}

发送到输出层：

z^{[2]} = {W^{[2]}}\boldsymbol{a}^{[1]} +b^{[2]} \quad \quad a^{[2]} = g(z^{[2]})

公式中用

[2]

表示输出层（第2层）的参数。输出层是一个1维的标量

a^{[2]}

，它表示最终的预测结果。

对于上述计算，首先想到的是使用for循环，但是for循环的并行效率并不高。在神经网络中，我们应该尽量避免使用for循环，而应该将计算向量化。很多CPU和GPU程序针对向量化计算进行过优化。用向量表示隐藏层的计算过程为：

\boldsymbol{z}^{[1]}= W^{[1]}\boldsymbol{x}+\boldsymbol{b}^{[1]} \quad \quad \boldsymbol{a}^{[1]}=g(\boldsymbol{z}^{[1]})

具体拆解为：

\begin{bmatrix} z^{[1]}_1 \\ \vdots \\ \vdots\\ z^{[1]}_4 \end{bmatrix} = \begin{bmatrix}-{W^{[1]}_1}^T - \\ -{W^{[1]}_2}^T -\\\vdots\\ -{W^{[1]}_4}^T -\end{bmatrix} \begin{bmatrix}x_1\\x_2\\x_3 \end{bmatrix} + \begin{bmatrix} b^{[1]}_1 \\ b^{[1]}_2 \\ \vdots\\ b^{[1]}_4\end{bmatrix}

输出层的计算过程为：

z^{[2]} = W^{[2]} \boldsymbol{a}^{[1]} + \boldsymbol{b}^{[2]} \quad \quad a^{[2]} = g(z^{[2]})

训练集批量计算

以上推导基于单个样本，数据从输入层出发，前向传播。实际计算中，一般是对一个训练集的多个样本批量计算得到最终结果。在以下公式中，我们开始用圆括号

()

表示训练集中第

个样本，

下某个样本为

\boldsymbol{x}^{(i)}

，这个样本的第1维特征为：

x^{(i)}_1

。

假如训练集有三个样本，那么：

\begin{aligned} \boldsymbol{z}^{[1](1)} &= W^{[1]}\boldsymbol{x}^{(1)}+\boldsymbol{b}^{[1]}\\ \boldsymbol{z}^{[1](2)} &= W^{[1]}\boldsymbol{x}^{(2)}+\boldsymbol{b}^{[1]}\\ \boldsymbol{z}^{[1](3)} &= W^{[1]}\boldsymbol{x}^{(3)}+\boldsymbol{b}^{[1]}\\ \end{aligned}

单个样本是个列向量，我们将单个样本按列拼接为一个矩阵，得到矩阵

：

X=\begin{bmatrix} |&|&|&\\ \boldsymbol{x}^{(1)}&\boldsymbol{x}^{(2)}&\boldsymbol{x}^{(3)}\\ |&|&|&\\ \end{bmatrix}

对矩阵

我们使用

\boldsymbol{z}^{[1]}= W^{[1]}\boldsymbol{x}+\boldsymbol{b}^{[1]}

进行计算，向量化表示为：

Z^{[1]}=\begin{bmatrix} |&|&|&\\ \boldsymbol{z}^{[1](1)}&\boldsymbol{z}^{[1](2)}&\boldsymbol{z}^{[1](3)}\\ |&|&|&\\ \end{bmatrix} =W^{[1]}X+\boldsymbol{b}^{[1]}

反向传播算法

神经网络通常使用反向传播算法（Back Propagation，又称BP算法）。

我们仍然以前面的网络为例，输入层是一个3维的向量，输出是一个1维的标量。对于训练集中的单个样本

(\boldsymbol{x}^{(i)}, y^{(i)})

，产生的均方误差为：

L = \frac{1}{2}(\hat{y}^{(i)} - y^{(i)})^2

这里的

\frac{1}{2}

是为了方便求导，

\hat{y}

表示模型预测值，

为真实值。

图4 神经网络中各参数符号表示

我们继续使用梯度下降法来更新模型中的各类参数，模型的参数包括输出层（第2层）的

W^{[2]}

和

b^{[2]}

，隐藏层（第1层）的

W^{[1]}

和

\boldsymbol{b}^{[1]}

。对任意的一个给定的网络层次

，该层下的参数更新方法如下所示，其中

\alpha

为学习率。

\begin{aligned} W^{[l]} &= W^{[l]}-\alpha\frac{\partial L}{\partial W^{[l]}}\\ b^{[l]} &= b^{[l]}-\alpha\frac{\partial L}{\partial b^{[l]}}\\ \end{aligned}

使用梯度下降法，最关键的一步是要得到对应参数的梯度:

\frac{\partial L}{\partial W^{[l]}}

和

\frac{\partial L}{\partial b^{[l]}}

。我们先求解第2层中的参数

W^{[2]}_{11}

，该参数连接了第1层第1个节点和第2层唯一的节点，下角标的11表示第一层的第1个节点和第二层第一个节点。注意到，参数

W^{[2]}_{11}

首先影响到第二层的求和项

z^{[2]}

，再影响到输出值

\hat{y} = a^{[2]} = g(z^{[2]})

。下面计算梯度的公式中，我们应用了微积分中的链式法则（Chain Rule）。

\begin{aligned} \frac{\partial L}{\partial W^{[2]}_{11}} &= \frac{\partial L}{\partial a^{[2]}} \cdot \frac{\partial a^{[2]}}{\partial z^{[2]}} \cdot \frac{\partial z^{[2]}}{\partial W^{[2]}_{11}} \\ &= \frac{\partial [\frac{1}{2} (\hat{y}^{(i)} - y^{(i)})^2]}{\partial a^{[2]}} \cdot g'(z^{[2]}) \cdot a^{[1]}_{1} \\ &= (\hat{y}^{(i)} - y^{(i)}) \cdot g'(z^{[2]}) \cdot a^{[1]}_{1} \end{aligned}

这个公式的求导分为三个部分：第一部分

\frac{\partial L}{\partial a^{[2]}}

是平方误差对

a^{[2]}

求导；第二部分

\frac{\partial a^{[2]}}{\partial z^{[2]}}

，由于

a = g(z)

，所以这部分主要是对激活函数求导；最后一部分由于

z^{[2]} = W^{[2]}\boldsymbol{a}^{[1]} + b^{[2]}

，得到

\frac{\partial z^{[2]}}{\partial W^{[2]}_{11}} = a^{[1]}_1

。这三部分中，

(\hat{y}^{(i)} - y^{(i)})

是误差项，是可以直接计算得到的；

g'(z^{[2]})

是激活函数的导数，如果激活函数是Sigmoid，有

g'(z) = g(z)(1-g(z))

，这部分也是可以计算得到的；最后一部分

a^{[1]}_{1}

是前向传播过程中计算过的。可见，在求梯度时，我们先要应用前向传播，得到

\boldsymbol{a}^{[1]}

、

z^{[2]}

、

\hat{y}^{(i)}

的值，将这些值代入梯度公式，可以得到

W^{[2]}_{11}

当前的梯度。按照这个思路，我们也可以得到

W^{[2]}

其他分量的梯度。

如果我们想进一步求第1层的

W^{[1]}

的梯度，比如其中的

W^{[1]}_{21}

的梯度，我们可以继续应用链式法则。我们知道，损失函数

依赖于第2层，第2层又依赖于第1层。

\begin{aligned} \frac{\partial L}{\partial W^{[1]}_{21}} &= \frac{\partial L}{\partial a^{[2]}} \cdot \frac{\partial a^{[2]}}{\partial z^{[2]}} \cdot \frac{\partial z^{[2]}}{\partial a^{[1]}_{1}} \cdot \frac{\partial a^{[1]}_{1}}{\partial z^{[1]}_{1}} \cdot \frac{\partial z^{[1]}_{1}}{\partial W^{[1]}_{21}} \\ &= (\hat{y}^{(i)} - y^{(i)}) \cdot g'(z^{[2]}) \cdot W^{[2]}_{11} \cdot g'(z^{[1]}_{1}) \cdot x^{(i)}_{2} \end{aligned}

我们得到了

W^{[1]}

在

x_2

分量上的梯度，其他分量的梯度也可以按此方式计算得到。当然，我们要把这些公式尽量向量化，这样才能获得并行加速。

学习率

\alpha \in (0, 1)

控制着算法每轮迭代的更新补偿，如果学习率太大则容易振荡，太小则收敛速度又会过慢。

假设我们已经得到了各参数的梯度，接下来就可以使用随机梯度下降法来更新参数。我们刚才的推导是基于单个样本的损失函数，实际一般使用Mini-batch思想，即Mini-batch SGD算法，每次使用一个批次的样本来迭代更新梯度。

反向传播BP算法的流程为：