一文搞懂深度神经网络

1 简介

如下图所示，NN 是感知机的升级版，由输入层，若干隐藏层，输出层组成。其主要包含前向传播，反向传播等过程，下文会逐一分享。

2 前向传播

2.1 FP流程

与感知机类似，从输入层到输出层逐层计算，最后利用损失函数计算拟合误差。其中，核心就是神经元节点的权值计算，公式如下。
$$\begin{array}{l}{x}_j^l={\sum }_k{w}_{jk}^l{y}_k^{l-1}+b_j^l\\ y_j^l=\sigma \left(x_j^l\right)\end{array}$$
其中，$x_j^l$ 表示第 $l$ 层的第 $j$ 个神经元的输入；$y_j^l$ 表示第 $l$ 层的第 $j$ 个神经元的输出；$w_{jk}^l$ 表示第 $l-1$ 层的第 $k$ 个神经元指向第 $l$ 层的第 $j$ 个神经元的权值；$b_j^l$ 表示第 $l$ 层的第 $j$ 个神经元的偏移量，$\sigma$ 表示激活函数。

2.2 激活函数

激活函数就是非线性处理单元，常用的有 sigmoid, ReLU, tanh, Leaky ReLU, Softmax等。下表给出了激活函数的曲线图，等式，梯度值。

2.3 损失函数

损失函数，别名代价函数，目标函数，误差函数。主要用来度量网络实际输出与期望输出之间的误差，以便指导网络的参数学习。针对回归问题，一般采用平方损失等；针对分类问题，一般采用对数损失，交叉熵等。不同的损失函数会影响网络的训练速度与泛化能力。

• 回归问题
  平方损失：$L(y,f(x))=(y-f(x){)}^2$
  绝对值损失：$L(y,f(x))=|y-f(x)|$
  均方误差损失：$L(y,f(x))=\frac{1}{2N}(y-f(x){)}^2$

• 二分类问题
  例：对于样本（x，y），x为样本，y为对应的标签，在二分类问题中，其取值的集合可能为{0，1}。假设某个样本的真实标签为y，该样本的 y=1 的概率为 $p$，则该样本的交叉熵损失函数为：$-(y\log (p)+(1-y)\log (1-p))$。

• 多分类问题
  交叉熵与Softmax结合，如下图所示。
  

3 反向传播

3.1 BP流程

与前向传播相反，从输出层回溯到输入层，根据不同参数的影响更新 NN 的权重与偏移量，最终实现误差值的最小化。其中，核心就是如何计算不同参数对 NN的影响以及如何更新参数实现误差最小化。常用的方法是梯度下降算法。下图举例说明了此过程。

3.2 梯度下降

梯度下降法是最小化损失函数的一种常用的一阶优化方法，前提是凸函数，否则会陷入局部最小值。参数更新公式如下。
$$w_{ij}^{\text{new }}=w_{ij}^{\text{old }}-\eta \frac{\partial E}{\partial w_{ij}}$$
$$b_j^{\text{new }}=b_j^{\text{old }}-\eta \frac{\partial E}{\partial b_j}$$
其中，$\eta$ 是学习率，值越大学习速度越快，当然不能过大，否则会跳过最优值；过小则训练成本过高，甚至无法收敛。

3.3 梯度下降训练策略

常用的有批次梯度下降BGD，随机梯度下降SGD，小批次梯度下降Mini-batch GD。三者对比图如下。

• BGD
  利用全部训练集计算损失函数的梯度来执行一次参数更新。缺点是更新较慢，不能在线更新网络，对非凸函数一般只能收敛到局部最小值。

• SGD
  对每一个训练样本点执行参数更新。优点是速度快，可在线学习；缺点是精度一般，损失函数下降过程波动较大。

• Mini-batch GD
  每n个训练样本点执行一次参数更新。优点是平稳收敛，速度快。batch大小一般取32,64,128,256等。

3.4 梯度下降优化算法

梯度下降优化算法一般包括如下几种，比较常用的是 SGD+Momentum 以及 Adam。

• SGD+Momentum方法最基本，调参较难
• RMSprop和Adadelta是AdaGrad改进方法
• RMSprop、Adadelta和Adam方法性能相近
• Adadelta方法无需设置学习率参数
• NAG方法在RNN网络中效果显著

下面介绍一下常用的 SGD+Momentum 以及 Adam。

• SGD+Momentum
  动量用来加速SGD，即将过去更新矢量的一部分加到当前矢量更新，公式如下。
  $$\begin{array}{l}{v}_1=\eta \nabla J\left({\theta }_1\right)\\ v_k=\gamma v_{k-1}+\eta \nabla J\left({\theta }_{k-1}\right),\gamma \in (0,1)\\ {\theta }_k={\theta }_{k-1}-v_k\end{array}$$

• Adam
  Adam 是一种为每一个参数计算自适应学习率的方法，即存储了过去梯度平方的指数衰减均值 $v_t$，同时存储了过去梯度的指数衰减均值 $m_t$，类似动量。公式如下。
  $$\begin{array}{rl}{m}_t& ={\beta }_1{m}_{t-1}+\left(1-{\beta }_1\right)g_t\\ v_t& ={\beta }_2{v}_{t-1}+\left(1-{\beta }_2\right)g_t^2\end{array}$$
  Adam更新规则如下：
  $${\theta }_{t+1}={\theta }_t-\frac{\eta }{\sqrt{{\hat{v}}_t}+ϵ}{\hat{m}}_t$$
  其中，$\begin{array}{rl}{\hat{m}}_t& =\frac{m_t}{1-{\beta }_1^t}\\ {\hat{v}}_t& =\frac{v_t}{1-{\beta }_2^t}\end{array}$

4 实例

题目：利用NN实现MNIST手写数字识别。

import numpy as np
from sklearn.datasets import load_digits
from sklearn.preprocessing import LabelBinarizer
from sklearn.model_selection import train_test_split
from sklearn.metrics import classification_report,confusion_matrix
import matplotlib.pyplot as plt

# 载入数据
digits = load_digits()
print(digits.images.shape)
# 显示图片
plt.imshow(digits.images[0],cmap='gray')
plt.show()

(1797, 8, 8)

# 数据
X = digits.data
# 标签
y = digits.target
print(X.shape)
print(y.shape)

(1797, 64)
(1797,)

# 定义一个NN：64-100-10
# 定义输入层到隐藏层之间的权值矩阵
V = np.random.random((64,100))*2-1
# 定义隐藏层到输出层之间的权值矩阵
W = np.random.random((100,10))*2-1
​
# 数据切分：1/4为测试集，3/4为训练集
X_train,X_test,y_train,y_test = train_test_split(X,y)
​
# 标签二值化 
labels_train = LabelBinarizer().fit_transform(y_train)

print(y_train[:5])
print(labels_train[:5])

[1 5 5 5 1]
[[0 1 0 0 0 0 0 0 0 0]
[0 0 0 0 0 1 0 0 0 0]
[0 0 0 0 0 1 0 0 0 0]
[0 0 0 0 0 1 0 0 0 0]
[0 1 0 0 0 0 0 0 0 0]]

# 激活函数
def sigmoid(x):
    return 1/(1+np.exp(-x))

# 激活函数的导数，注意此处x=y
def dsigmoid(x):
    return x*(1-x)

# 训练模型
def train(X,y,steps=10000,lr=0.11):
    global V,W
    for n in range(steps+1):
        # 随机选取一个数据
        i = np.random.randint(X.shape[0])
        # 获取一个数据
        x = X[i]
        x = np.atleast_2d(x) # 变成2维作矩阵运算
        # 计算隐藏层的输出
        L1 = sigmoid(np.dot(x,V))
        # 计算输出的输出
        L2 = sigmoid(np.dot(L1,W))
        # 计算L2_delta，L1_delta
        L2_delta = (y[i]-L2)*dsigmoid(L2)
        L1_delta = L2_delta.dot(W.T)*dsigmoid(L1)
        # 更新权值
        W += lr*L1.T.dot(L2_delta)
        V += lr*x.T.dot(L1_delta)
        
        # 每训练1000次预测一次准确率
        if n%1000==0:
            output = predict(X_test)
            predictions = np.argmax(output,axis=1) 
            acc = np.mean(np.equal(predictions,y_test))
            print('steps:',n,'accuracy:',acc)

# 模型预测
def predict(x):
    # 计算隐藏层的输出
    L1 = sigmoid(np.dot(x,V))
    # 计算输出的输出
    L2 = sigmoid(np.dot(L1,W))
    return L2

train(X_train,labels_train,30000)
steps: 0 accuracy: 0.08444444444444445
steps: 1000 accuracy: 0.52
steps: 2000 accuracy: 0.64
steps: 3000 accuracy: 0.7222222222222222
steps: 4000 accuracy: 0.7955555555555556
steps: 5000 accuracy: 0.8266666666666667
steps: 6000 accuracy: 0.84
steps: 7000 accuracy: 0.8444444444444444
steps: 8000 accuracy: 0.8555555555555555
steps: 9000 accuracy: 0.8577777777777778
steps: 10000 accuracy: 0.9488888888888889
steps: 11000 accuracy: 0.94
steps: 12000 accuracy: 0.9444444444444444
steps: 13000 accuracy: 0.9622222222222222
steps: 14000 accuracy: 0.9755555555555555
steps: 15000 accuracy: 0.9511111111111111
steps: 16000 accuracy: 0.9688888888888889
steps: 17000 accuracy: 0.9711111111111111
steps: 18000 accuracy: 0.9688888888888889
steps: 19000 accuracy: 0.9755555555555555
steps: 20000 accuracy: 0.9688888888888889
steps: 21000 accuracy: 0.9622222222222222
steps: 22000 accuracy: 0.9666666666666667
steps: 23000 accuracy: 0.9688888888888889
steps: 24000 accuracy: 0.9755555555555555
steps: 25000 accuracy: 0.9733333333333334
steps: 26000 accuracy: 0.9733333333333334
steps: 27000 accuracy: 0.98
steps: 28000 accuracy: 0.9711111111111111
steps: 29000 accuracy: 0.9644444444444444
steps: 30000 accuracy: 0.98

# 查看准确率，召回率，F1
output = predict(X_test)
predictions = np.argmax(output,axis=1)
print(classification_report(predictions,y_test))

          precision    recall  f1-score   support

       0       1.00      1.00      1.00        43
       1       1.00      0.94      0.97        48
       2       1.00      0.98      0.99        54
       3       0.95      0.98      0.97        43
       4       0.96      1.00      0.98        43
       5       1.00      0.98      0.99        48
       6       1.00      0.98      0.99        41
       7       1.00      0.98      0.99        53
       8       0.89      0.98      0.93        43
       9       1.00      1.00      1.00        34