从感知器到神经网络

从感知器到神经网络

---

感知器(Perceptron)

最近写了一些简单感知器实现NLP任务的代码，对感知器算是掌握了。

感知器就是一个根据输入$x$，输出$h(x)=sgn(w\dot{}x+b)$的神经元。
因为感知器只有input layer和一个神经元的output layer，所以一个感知器只能处理一个本质feature或者做一个二分类。

训练感知器可以使用随机梯度算法，但是$h(x)$数学性质不够好，所以改成$h(x)=\sigma (w\dot{}x+b)$，其中$\sigma (x)$是一个激活函数，其实这样一来单个感知器可以用于Logistic回归。在Logistic回归中讨论过激活函数的使用，一个最大似然估计是$\sigma (x)=sigmoid(x)$，当然如果输出不在$(0,1)$内而在$(-1,1)$内，可以使用$\sigma (x)=tanh(x)$(事实上这个函数仅仅通过$sigmoid(x)$平移伸缩变换就可以得到)。反正激活函数的使用是很有讲究的，但是我不太懂具体细节，知道这是一个最大似然估计的结果就好了。

还有一种朴素的训练方法就是如果输出正确则不更改权重，否则认为这一次输入对应的权重估计有问题，所以直接在权重中减去对应输入分量。虽然这是一个土办法，但是如果输入也是feature的有无0/1，我们经常会用，但方法没有一个名称，后来才知道这是梯度随机算法的一个特例，梯度直接使用输入这一个数据估计，叫在线算法或者增量算法。

---

感知器网络(Perceptron Net)

如果有多分类问题，可以配置多个感知器感知每一个类别，输出它们的最大值就是所属的类别。

因为最大值的数学性质不好，所以我训练就直接用类似训练感知器的在线算法处理：对于正确预测不做处理，预测错误则惩罚错误的最大值感知器对应权重，给正确的感知器对应权重增益。

事实上，如果要用随机梯度算法来处理感知器网络训练，可以认为感知器网络是一个hidden layer，那么output layer是一个与hidden layer一样大，但是做了一个softmax，(softmax之所以是softmax，因为看起来它的表达式和max没联系，但事实上在指数较大时候就趋向于一个max函数)

---

神经网络(Neural Networks)

神经元是神经网络的基础，而神经元和感知器原理非常类似。

$sgn(x)类似于sigmoid(x)，max(x)类似于softmax(x)，判断是否相同类似于代价函数，调整权重算法类似于随机梯度算法$

神经元所用的函数一般连续有梯度，感知器在某些任务中变量和函数可以离散不连续。神经网络可以配置多层，每一层以前一层所有神经元输出作为输入。代价函数除了L2范数，还有交叉熵等代价函数。神经网络训练简单地可以用随机梯度算法，BP算法之类的。但是如果层数太多会遇到梯度消失的问题。

神经网络还可以把后层的输出重新给前层输入，就是RNN，神经网络处理图像或者NLP中的文本时候考虑context和phrase信息时候需要卷积，就是CNN。当然还有LSTM，bi-LSTM等高级形态…

---

最后

不知道神经网络入门的正确方法是不是感知器，反正我是通过感知器入门神经网络的。感知器代码我手写了一下，感觉还是理解了。从感知器到神经网络感觉过渡比较自然，有一种原来是这样的感觉。

写了简单的神经网络的代码，感觉神经网络下标比较复杂，所以熟练使用numpy矩阵运算和各种技巧可以避免代码冗长易错。而且有必要学习tensorflow之类的。

但是我感觉我的学习进度有点慢了，寒假和最近在HMM，感知器上写了太多东西了，也没有加深多少理解，但是耗费了很多时间。所以下一阶段多看书，多理解理论，代码适当少写，加快学习进度。