【CS224n】Neural Networks, Backpropagation

写在前面：
最近在学习CS224n，系统的学习NLP理论。后面会把相关的学习笔记和代码公开，欢迎大家和我一起讨论。
#############################可爱的分割线###################################
CS224n系列：
【CS224n】Neural Networks, Backpropagation
【CS224n】Neural-Dependency-Parsing
【CS224n】Language Models, RNN, GRU and LSTM
【CS224n】Neural Machine Translation with Seq2Seq
【CS224n】ConvNets for NLP

1. Neural Networks: Foundations

1.1 A Neuron（单个神经元）

1.2 A Single Layer of Neurons（多个神经元的单层网络）

1.3 Feed-forward Computation（前向计算）

1.4 Maximum Margin Objective Function（最大边界损失函数）

其中，s为正标签样本得分，$s_c$为负标签样本得分，$\Delta$为边界宽度，类似于SVM的分类间隔。

1.5 Training with Backpropagation – Element（反向传播）

随机梯度下降（SGD）：

反向传播准则为链式法则，推导较长，参考：http://web.stanford.edu/class/cs224n/readings/cs224n-2019-notes03-neuralnets.pdf

2 Neural Networks: Tips and Tricks

2.1 Gradient Check（梯度检查）

我们可以使用以下方法来对反向传播计算的梯度结果做检查：

该公式为对参数$\theta$求导，反向传播计算的梯度结果应该接近于该结果。
实际应用中不直接求导的原因是真实场景的神经网络的参数量巨大，每个参数每次迭代都要计算一次，使用该方法非常耗时。（反向传播中使用矩阵运算可以大大提高效率）

2.2 Regularization（正则化）

正则化是为了防止模型过拟合。
$L_2$正则化:


$L_1$正则化：参数$W$的绝对值之和。

2.3 Dropout

Dropout也是一种正则化技术，同样可以防止模型过拟合。
基本原理为：训练阶段，每一次训练过程，以p的概率随机选择一部分参数进行训练，其他参数不动；测试阶段，使用所有参数进行预测。
Dropout有效的原因：因为dropout的随机选择训练参数的特性，相当于训练了很多个小网络（指数级增长），最后平均化训练结果（相当于做了ensemble，模型泛化能力更强）。

2.4 Neuron Units（激活函数）

激活函数主要关注公式及对应的曲线；

2.4.1 Sigmoid

sigmoid 求导：

2.4.2 Tanh

tanh函数为sigmoid函数的可替代品，且比sigmoid函数更快收敛。区别在于sigmoid取值范围为[0,1]，而tanh函数取值范围为[-1,1]。

2.4.3 Hard tanh

2.4.4 Soft sign

2.4.5 ReLU(Rectified Linear Unit)

2.4.6 Leaky ReLU

2.5 Data Preprocessing（数据预处理）

2.5.1 Mean Subtraction（去均值化）

Mean Subtraction就是在训练数据中，计算均值，对每个样本减去均值。一个重要的点是：均值计算过程只在训练集中进行，得到的均值同时适用于训练集，验证集，测试集。

2.5.2 Normalization（归一化）

归一化是为了把不同维度的特征规范到同个范畴内，具体做法是对每个特征除以各自的标准差。

2.5.3 Whitening

白化是将数据转换为恒等协方差的矩阵。

2.6 Parameter Initialization

一个好的参数初始化的策略是：将权重初始化在0附近的较小随机数

实验表明，上述初始化策略对于sigmoid和tanh激活函数，能更快地收敛和达到更低的错误率。
而偏置通常被初始化为0.

2.7 Learning Strategies

其中，$\alpha$为学习率，可以控制模型参数的学习速率。学习率的设置应该是先大后小。

2.9 Adaptive Optimization Methods

自适应优化方法，目的是为了更好地控制学习率。
RMS：

从该式子可以看到，学习率跟训练过程中的梯度有关，梯度累积越大，学习率越小（梯度累积越大，说明模型学到的东西更多，随着学习过程的进行，学习率应该越来越低）。
Adam：

相比RMS，Adam多了个参数m，来控制学习率的变化。

参考：Neural Networks, Backpropagation