上一篇文章2-4 李宏毅2021春季机器学习教程-类神经网络训练不起来怎么办（三）自动调整学习率（Adaptive Learning Rate）介绍了机器学习时训练神经网络的第三个策略：自动调整学习率。接下来讲有关分类（Classification）怎么来做这件事情。这是一个简要的版本。如果需要长的版本，看下图链接的视频。
过去可能是花两个到三个小时的时间才讲完分类这件事情，我们这边用一个最快的方法，直接跟你讲。
目录
Classification as Regression？
分类是怎么做的呢？
我们已经讲了Regression就是输入一个向量，然后输出一个数值，我们希望输出的数值跟某一个label（我们要学习的目标），越接近越好。那可能有同学会问为什么目标值加hat？其实Notation没有一定的规定。在这门课里面，如果是正确的答案就加Hat，Model的输出没有加Hat。
有一个可能，假设你会用Regression的话，我们其实可以把Classification当作是Regression来看。这个方法不一定是个好方法，这是一个比较奇妙的方法，输入一个东西以后，我们的输出仍然是一个scaler，它叫做y。然后这一个y，我们要让它跟正确答案，那个Class越接近越好，但是y是一个数字，我们怎么让它跟Class越接近越好呢，我们必须把Class也变成数字。
举例来说，Class1就是编号1，Class2就是编号2，Class3就是编号3，接下来呢 我们要做的事情，就是希望y可以跟Class的编号，越接近越好。但是这会是一个好方法吗，如果你仔细想想的话，这个方法也许在某些状况下，是会有瑕疵的。
因为如果你假设说Class one就是编号1，Class two就是编号2，Class3就是编号3，意味着说你觉得Class1跟Class2是比较像，然后Class1跟Class3 是比较不像，像这样子的表示Class的方式，有时候可行，有时候不可行。
- 假设你的Class one two three真的有某种关系。举例来说，你想要根据一个人的身高跟体重，然后预测他是几年级的小学生，一年级 二年级 还是三年级，那可能一年级真的跟二年级比较接近，一年级真的跟三年级比较没有关系。
- 但是假设你的三个Class本身，并没有什么特定的关系的话，你说Class one是1，Class two是2， Class two是3，那就很奇怪了，因为你这样是预设说，一二有比较近的关系，一三有比较远的关系，所以怎么办呢？
Class as one-hot vector
当你在做分类的问题的时候，比较常见的做法是把你的Class用 One-hot vector来表示。
我们在HW1中有看到把美国的州用One-hat来表示。如上图所示，如果有三个Class，我们的 label 这个ŷ就是一个三维的矢量，然后如果是Class1就是 [1 0 0]，如果是Class2就是[0 1 0] ，如果是Class3就是[0 0 1] ，所以每一个Class，你都用一个One-hot vector来表示，就没有说Class1跟Class2比较接近，Class1跟Class3比较远这样子的问题。如果你把这个One-hot vector用算距离的话，Class之间 两两它们的距离都是一样的。
如果我们今天的目标y hat是一个向量。 比如说，ŷ是有三个element的向量，那我们的network也应该要Output的维度也是三个数字才行。到目前为止我们讲的network，其实都只Output一个数值，因为我们过去做的都是Regression的问题，所以只Output一个数字。那怎么改到三个数值呢？
其实从一个数值改到三个数值，它是没有什么不同的。你可以Output一个数值，你就可以Output三个数值，所以把本来Output一个数值的方法，重复三次。
- 把a₁ a₂ a₃，乘上三个不同的Weight 加上bias，得到y₁
- 再把a₁ a₂ a₃乘上另外三个Weight，再加上另外一个bias得到y₂
- 再把a₁ a₂ a₃再乘上另外一组Weight，再加上另外一个bias得到y₃
你就可以产生三组数字，所以你就可以Input一个feature的Vector，然后产生y₁ y₂ y₃，然后希望y₁ y₂ y₃，跟我们的目标越接近越好。
Classification with softmax
所以我们现在，知道了Regression是怎么做的，Input x Output y 要跟 label ŷ，越接近越好。
如果是Classification，input x可能乘上一个W，再加上b 再通过activation function，再乘上W'再加上b' 得到y，我们现在的y它不是一个数值，它是一个矢量。但是在做Classification的时候，我们往往会把y再通过一个叫做Soft-max的function得到y'，然后我们才去计算y'跟y hat之间的距离。
为什么要加上Soft-max呢？一个比较简单的解释（如果是在过去的课程里面，我们会先从generative的Model开始讲起，然后一路讲到Logistic Regression）。这边有一个骗小孩的解释就是，这个ŷ 里面的值，都是0跟1，它是One-hot vector，所以里面的值只有0跟1，但是y里面有任何值。既然我们的目标只有0跟1，但是y有任何值，我们就先把它Normalize到0到1之间，这样才好跟 label 计算相似度，这是一个比较简单的讲法。
如果你真的想要知道，为什么要用Soft-max的话，你可以参考过去的上课录影，如果你不想知道的话，你就记得这个Soft-max要做的事情，就是把本来y里面可以放任何值，改成到0到1之间。
Softmax
那Soft-max里面是怎么运作的呢？
这个是Soft-max的block，输入y₁ y₂ y₃，它会产生y₁' y₂' y₃'。它里面运作的模式是这个样子的。我们会先把所有的y取一个exponential，就算是负数，取exponential以后也变成正的，然后你再对它做Normalize，除掉所有y的exponential值的和，然后你就得到y'，或者是用图示化的方法是上面这个样子。y₁取exp y₂取exp y₃取exp，把它全部加起来，得到一个Summation，接下来再把exp y₁'除掉Summation，exp y₂'除掉Summation，exp y₃'除掉Summation，就得到y₁' y₂' y₃'。有了这个式子以后，你就会发现y₁' y₂' y₃'，它们都是介于0到1之间。y₁' y₂' y₃'，它们的和是1。
如果举一个例子的话，本来 y₁等于3y₂等于1，y₃等于负3，取完exponential的时候呢，就变成exp3 就是20，exp1就是2.7，exp-3就是0.05，做完Normalization以后，这边就变成0.88 ，0.12 跟0。所以这个Soft-max它要做的事情，除了Normalized，让 y₁' y₂' y₃'变成0到1之间，还有和为1以外，它还有一个附带的效果是，它会让大的值跟小的值的差距更大。本来-3 然后通过exponential，再做Normalized以后，会变成趋近于0的值，然后这个Soft-max的输入，往往就叫它logit。
这边考虑了3个class的状况，那如果两个class会是怎么样？如果是两个class你当然可以直接套soft-max这个function没有问题，但是也许你更常听到的是，当有两个class的时候，我们就不套soft-max，我们直接取sigmoid。那当两个class时用sigmoid跟soft-max两个class，你如果推一下的话，会发现说这两件事情是等价的。
Loss of Classification
我们把x丢到一个Network里面产生y以后，会通过soft-max得到y'，再去计算y'跟ŷ之间的距离，这个写作е。计算y'跟ŷ之间的距离不只一种做法。举例来说，如果我喜欢的话，我要让这个距离是Mean Square Error。就是把ŷ里面每一个element拿出来，然后计算它们的平方和，当作我们的error，这样也是计算两个矢量之间的距离。你也可以说，你也可以做到说当minimize，Mean Square Error的时候，我们可以让ŷ等于y'。
但是有另外一个更常用的做法，叫做Cross-entropy。这个Cross-entropy它的式子乍看之下，会让你觉得有点匪夷所思，怎么是这个样子呢？
- Cross-entropy是summation over所有的i，然后把ŷ的第i位拿出来，乘上y'的第i位取Natural lo，然后再全部加起来。
这个是Cross-entropy，那当ŷ跟y'一模一样的时候，你也可以Minimize Cross-entropy的值，此时，MSE会是最小的，Cross-entropy也会是最小的。但是为什么会有Cross-entropy这么奇怪的式子出现呢？那如果要讲得长一点的话，这整个故事我们可以把它讲成，Make Minimize Cross-entropy其实就是maximize likelihood（极大似然），你很可能在很多地方，都听过likelihood这个词汇（感兴趣可看过去的影片或查阅资料）。
所以如果有一天有人问你说，今天在做分类问题的时候，maximize likelihood跟Minimize Cross-entropy有什么关系的时候，不要回答说它们其实很像，但是其实又有很微妙的不同这样，不是这样，它们两个就是一模一样的东西，只是同一件事不同的讲法而已。
所以假设你可以接受说，我们在训练一个classifier的时候，应该要maximize likelihood就可以接受，应该要Minimizing Cross-entropy。所以Cross-entropy更常用在分类里面。在pytorch里面，Cross-entropy跟Soft-max，他们是被绑在一起的，他们是一个Set，你只要Copy Cross-entropy，里面就自动内建了Soft-max。
那接下来从optimization的角度，来说明相较于Mean Square Error，Cross-entropy是被更常用在分类上。那这个部分，你完全可以在数学上面做证明，但是这边是直接用举例的方式来跟你说明，如果你真的非常想看数学证明的话，可以点击下面的链接。如果你不想知道的话，那我们就是举一个例子来告诉你说，为什么是Cross-entropy比较好。
那现在我们要做一个3个Class的分类。Network先输出y₁ y₂ y₃，在通过soft-max以后，产生y₁' y₂'跟y₃'。那接下来假设我们的正确答案就是[1 0 0]，我们要去计算[1 0 0]这个向量跟y₁' y₂' y₃'他们之间的距离，那这个距离我们用е来表示，е可以是Mean square error，也可以是Cross-entropy。
我们现在假设y₁的变化是从-10到10，y₂的变化也是从-10到10，y₃我们就固定设成-1000。因为y₃设很小，所以过soft-max以后y₃'就非常趋近于0，它跟正确答案非常接近，且它对我们的结果影响很少。总之我们y₃设一个定值，我们只看y₂跟y₃有变化的时候，对我们的e对我们的Loss对我们loss有什么样的影响。
如果我们这个e，设定为Mean Square Error跟Cross-entropy的时候，算出来的Error surface会有什么样，不一样的地方看上图这两个图，分别在我们e是Mean square error跟Cross-entropy的时候，y₁ y₂的变化对loss的影响，对Error surface的影响。
我们这边是用红色代表Loss大，蓝色代表Loss小。
- 那如果今天y₁很大，y₂很小，就代表y₁'会很接近1，y₂'会很接近0，所以不管是对Mean Square Error，或是Cross-entropy而言，y₁大 y₂小的时Loss都是小的。
- 如果y₁小 y₂大的话，这边y₁'就是0 y₂'就是1，所以这个时候Loss会比较大。
所以这两个图都是左上角Loss大，右下角Loss小，所以我们就期待说，我们最后在Training的时候，我们的参数可以走到右下角的地方。
那假设我们开始的地方，都是左上角，会有什么问题？
- 如果我们选择Cross-Entropy，左上角这个地方，它是有斜率的，所以你有办法透过gradient，一路往右下的地方走。
- 如果你选Mean square error的话，你就卡住了，Mean square error在这种Loss很大的地方，它是非常平坦的，它的gradient是非常小趋近于0的，如果你初始的时候在这个地方，离你的目标非常远，那它gradient又很小，你就没有办法用gradient descent顺利的走到右下角的地方去。
你如果你今天自己在做classification，你选Mean square error的时候，你有非常大的可能性会train不起来，当然这个是在你没有好的optimizer的情况下，今天如果你用Adam，这个地方gradient很小，那gradient很小之后它learning rate之后会自动帮你调大，也许你还是有机会走到右下角，不过这会让你的training，比较困难一点，让你training的起步比较慢一点。
所以这边有一个很好的例子是告诉我们说，就算是Loss function的定义，都可能影响Training是不是容易这件事情，刚才说要用神罗天征，直接把error surface炸平，这边就是一个好的例子告诉我们说，你可以改Loss function，居然可以改变optimization的难度。
说明：记录学习笔记，如果错误欢迎指正！写文章不易，转载请联系我。
564
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
