《深度学习》 第3章 概率与信息论
概率不仅提供量化不确定性的方法,也提供了用于导出新的不确定性声明的公理
为什么要使用概率
不确定性有三种来源:
- 被建模系统内在的随机性
- 不完全观测
- 不完全建模
频率派概率:概率直接与事件发生的频率相联系
贝叶斯概率:概率涉及到确定性水平
随机变量
概率分布
离散型变量和概率质量函数
∑ i P ( x = x i ) = ∑ i 1 k = 1 \sum_iP(\mathrm x = x_i) = \sum_i\frac1k = 1 i∑P(x=xi)=i∑k1=1
连续型变量和概率模型函数
∫ p ( x ) d x = 1 \int p(x) dx = 1 ∫p(x)dx=1
边缘概率
∀
x
∈
x
,
P
(
x
=
x
)
=
∑
y
P
(
x
=
x
,
y
=
y
)
\forall x \in \mathrm x,P(\mathrm x = x) = \sum_yP(\mathrm x = x, \mathrm y = y)
∀x∈x,P(x=x)=y∑P(x=x,y=y)
p
(
x
)
=
∫
p
(
x
,
y
)
d
y
p(x) = \int p(x, y)dy
p(x)=∫p(x,y)dy
条件概率
P
(
y
=
y
∣
x
=
x
)
=
P
(
y
=
y
,
x
=
x
)
P
(
x
=
x
)
P(\mathrm y = y | \mathrm x = x) = \frac {P(\mathrm y = y, \mathrm x = x)} {P(\mathrm x = x)}
P(y=y∣x=x)=P(x=x)P(y=y,x=x)
不要把条件概率和干预查询相混淆
条件概率的链式法则
P ( x ( 1 ) , … , x ( n ) ) = P ( x ( 1 ) ) ∏ i = 2 n P ( x ( 1 ) , … , x ( i − 1 ) ) P(\mathrm x^{(1)},\ldots,\mathrm x^{(n)}) = P(\mathrm x^{(1)})\prod_{i=2}^nP\left(\mathrm x^{(1)},\ldots,\mathrm x^{(i-1)}\right) P(x(1),…,x(n))=P(x(1))i=2∏nP(x(1),…,x(i−1))
独立性和条件独立性
∀
x
∈
x
,
y
∈
y
,
p
(
x
=
x
,
y
=
y
)
=
p
(
x
=
x
)
p
(
y
=
y
)
\forall x \in \mathrm x, y \in \mathrm y, p(\mathrm x = x, \mathrm y = y) = p(\mathrm x = x)p(\mathrm y = y)
∀x∈x,y∈y,p(x=x,y=y)=p(x=x)p(y=y)
∀
x
∈
x
,
y
∈
y
,
z
∈
z
,
p
(
x
=
x
,
y
=
y
∣
z
=
z
)
=
p
(
x
=
x
∣
z
=
z
)
p
(
y
=
y
∣
z
=
z
)
\forall x \in \mathrm x, y \in \mathrm y, z \in \mathrm z, p(\mathrm x = x, \mathrm y = y | \mathrm z = z) = p(\mathrm x = x| \mathrm z = z)p(\mathrm y = y | \mathrm z = z)
∀x∈x,y∈y,z∈z,p(x=x,y=y∣z=z)=p(x=x∣z=z)p(y=y∣z=z)
期望、方差和协方差
协方差给出了两个变量线性相关性的强度以及变量的尺度
C
o
v
(
f
(
x
)
,
g
(
y
)
)
=
E
[
(
f
(
x
)
−
E
[
f
(
x
)
]
)
(
g
(
y
)
−
E
[
g
(
y
)
]
)
]
\mathrm{Cov}(f(x), g(y)) = \mathbb E[(f(x) - \mathbb E[f(x)])(g(y) - \mathbb E[g(y)])]
Cov(f(x),g(y))=E[(f(x)−E[f(x)])(g(y)−E[g(y)])]
相关系数将变量贡献归一化,只衡量变量的相关性。
独立性比零协方差要求更严,因为独立性还排除了非线性的关系
常见概率分布
Bernoulli分布
Multinoulli分布
高斯分布
N ( x ; μ , σ 2 ) = 1 2 π σ 2 e x p ( − 1 2 σ 2 ( x − μ ) 2 ) \mathcal N(x;\mu, \sigma^2) = \sqrt{\frac {1}{2\pi\sigma^2}} \mathrm{exp} \left( -\frac{1}{2\sigma^2}(x - \mu)^2 \right) N(x;μ,σ2)=2πσ21exp(−2σ21(x−μ)2)
正态分布是比较好的默认选择,原因有二:
- 很多分布的真实情况接近正态分布
- 在具有相同方差的所有可能的概率分布中,正态分布在实数上具有最大的不确定性
指数分布和Laplace分布
p
(
x
;
λ
)
=
λ
1
x
≥
0
e
x
p
(
−
λ
x
)
p(x;\lambda) = \lambda 1_{x \geq 0} \mathrm {exp}(-\lambda x)
p(x;λ)=λ1x≥0exp(−λx)
L
a
p
l
a
c
e
(
x
;
μ
,
γ
)
=
1
2
γ
e
x
p
(
−
∣
x
−
μ
∣
γ
)
\mathrm{Laplace}(x;\mu,\gamma) = \frac{1}{2\gamma} \mathrm{exp}\left( -\frac{|x - \mu|}{\gamma} \right)
Laplace(x;μ,γ)=2γ1exp(−γ∣x−μ∣)
Dirac分布和经验分布
p
(
x
)
=
δ
(
x
−
μ
)
p(x) = \delta(x - \mu)
p(x)=δ(x−μ)
p
^
(
x
)
=
1
m
∑
i
=
1
m
δ
(
x
−
x
(
i
)
)
\hat p(x) = \frac 1m \sum_{i=1}^{m}\delta(x-x^{(i)})
p^(x)=m1i=1∑mδ(x−x(i))
可以认为从训练集上得到的经验分布指明了采样来源的分布,其是训练数据的似然最大的那个概率密度函数
分布的混合
混合模型是组合简单概率分布来生成更丰富的分布的一种简单策略。
一种非常强大且常见的混合模型是高斯混合模型,其是概率密度的万能近似器
常用函数的有用性质
σ
(
x
)
=
1
1
+
e
x
p
(
−
x
)
\sigma(x) = \frac {1}{1 + \mathrm{exp}(-x)}
σ(x)=1+exp(−x)1
ζ
(
x
)
=
l
o
g
(
1
+
e
x
p
(
x
)
)
\zeta(x) = \mathrm{log}(1 + \mathrm{exp}(x))
ζ(x)=log(1+exp(x))
x
+
=
m
a
x
(
0
,
x
)
x^+ = \mathrm{max}(0, x)
x+=max(0,x)
下面一些性质有用:
σ
(
x
)
=
e
x
p
(
x
)
e
x
p
(
x
)
+
e
x
p
(
0
)
\sigma(x) = \frac{\mathrm{exp}(x)}{\mathrm{exp}(x) + \mathrm{exp}(0)}
σ(x)=exp(x)+exp(0)exp(x)
d
d
x
σ
(
x
)
=
σ
(
x
)
(
1
−
σ
(
x
)
)
\frac{d}{dx}\sigma(x) = \sigma(x)(1-\sigma(x))
dxdσ(x)=σ(x)(1−σ(x))
1
−
σ
(
x
)
=
σ
(
−
x
)
1-\sigma(x) = \sigma(-x)
1−σ(x)=σ(−x)
l
o
g
σ
(
x
)
=
−
ζ
(
−
x
)
\mathrm{log}\sigma(x) = -\zeta(-x)
logσ(x)=−ζ(−x)
d
d
x
ζ
(
x
)
=
σ
(
x
)
\frac{d}{dx}\zeta(x) = \sigma(x)
dxdζ(x)=σ(x)
∀
x
∈
(
0
,
1
)
,
σ
−
1
(
x
)
=
l
o
g
(
x
1
−
x
)
\forall x \in (0,1), \sigma^{-1}(x) = \mathrm{log}\left(\frac{x}{1-x} \right)
∀x∈(0,1),σ−1(x)=log(1−xx)
∀
x
>
0
,
ζ
−
1
(
x
)
=
l
o
g
(
e
x
p
(
x
)
−
1
)
\forall x > 0, \zeta^{-1}(x) = \mathrm{log}(\mathrm{exp}(x)-1)
∀x>0,ζ−1(x)=log(exp(x)−1)
ζ
(
x
)
=
∫
−
∞
x
σ
(
y
)
d
y
\zeta(x) = \int_{-\infty}^x\sigma(y)dy
ζ(x)=∫−∞xσ(y)dy
ζ
(
x
)
−
ζ
(
−
x
)
=
x
\zeta(x) - \zeta(-x) = x
ζ(x)−ζ(−x)=x
贝叶斯规则
P ( x ∣ y ) = P ( x ) P ( y ∣ x ) P ( y ) P(\mathrm x | \mathrm y) = \frac{P(\mathrm x)P(\mathrm y |\mathrm x)}{P(\mathrm y)} P(x∣y)=P(y)P(x)P(y∣x)
连续变量型的技术细节
∣ p y ( g ( x ) ) d y ∣ = ∣ p x ( x ) d x ∣ |p_y(g(x))dy| = |p_x(x)dx| ∣py(g(x))dy∣=∣px(x)dx∣
信息论
对一个信号包含信息的多少进行量化
三个性质:
- 非常可能发生的事件信息量要比较少
- 较不可能发生的事件具有更高的信息量
- 独立事件应具有增量的信息
自信息:
I
(
x
)
=
−
l
o
g
P
(
x
)
I(x) = -\mathrm{log}P(x)
I(x)=−logP(x)
一奈特是以 1 / e 1/e 1/e的概率观测到一个事件时获得的信息量
香农熵:
H
(
x
)
=
E
x
∼
P
[
I
(
x
)
]
=
−
E
x
∼
P
[
l
o
g
P
(
x
)
]
H(\mathrm x) = \mathbb E_{\mathrm x \sim P}[I(x)] = -\mathbb E_{\mathrm x \sim P}[\mathrm{log}P(x)]
H(x)=Ex∼P[I(x)]=−Ex∼P[logP(x)]
一个分布的香农熵是指遵循这个分布的事件所产生的期望信息总量
KL散度衡量两个独立的概率分布的差异:
D
K
L
(
P
∣
∣
Q
)
=
E
x
∼
P
[
l
o
g
P
(
x
)
Q
(
x
)
]
=
E
x
∼
P
[
l
o
g
P
(
x
)
−
l
o
g
Q
(
x
)
]
D_{\mathrm{KL}}(P||Q) = \mathbb E_{\mathrm x \sim P} \left[ \mathrm{log} \frac{P(x)}{Q(x)} \right] = \mathbb E_{\mathrm x \sim P}[\mathrm{log}P(x)-\mathrm{log}Q(x)]
DKL(P∣∣Q)=Ex∼P[logQ(x)P(x)]=Ex∼P[logP(x)−logQ(x)]
在离散型变量的情况下,KL 散度衡量的是,当我们使用一种被设计成能够使得概率分布 Q Q Q产生的消息的长度最小的编码,发送包含由概率分布 P P P产生的符号的消息时,所需要的额外信息量。或者说是数据的原始分布 P P P和近似分布 Q Q Q之间的对数差值的期望。
交叉熵:
H
(
P
,
Q
)
=
H
(
P
)
+
D
K
L
(
P
∣
∣
Q
)
=
−
E
x
∼
P
l
o
g
Q
(
x
)
H(P,Q) = H(P) + D_{\mathrm{KL}}(P||Q) = -\mathbb E_{\mathrm x \sim P}\mathrm{log}Q(x)
H(P,Q)=H(P)+DKL(P∣∣Q)=−Ex∼PlogQ(x)
针对 Q Q Q最小化交叉熵等价于最小化KL散度,因为 Q Q Q并不参与被省略的那一项
结构化概率模型
有向模型:
p
(
x
)
=
∏
i
p
(
x
i
∣
P
a
G
(
x
i
)
)
p(\mathrm x) = \prod_ip(\mathrm x_i|Pa_\mathcal G(\mathrm x_i))
p(x)=i∏p(xi∣PaG(xi))
无向模型:
p
(
x
)
=
1
Z
∏
i
ϕ
(
i
)
(
C
(
i
)
)
p(\mathrm x) = \frac{1}{Z}\prod_i\phi^{(i)}(\mathcal C^{(i)})
p(x)=Z1i∏ϕ(i)(C(i))
这些图模型表示的分解仅仅是描述概率分布的一种语言