多层感知器训练过程导论

摘自《机器学习导论》

训练过程

改善收敛性

  梯度下降具有多种优点。它简单，它是局部的，即权重的改变只是用前后突出单元和误差（适合向后传播）的值。当使用在线训练时，它不需要存储训练集，并且可以自适应学习任务的变化。但是，就自身而言，梯度下降收敛很慢。当学习时间很重要时，可以使用更复杂的优化方法。有两种频繁使用的优化技术，可以显著改善梯度下降的性能。

动量

  令$w_i$为多层感知器任意层中的权重，包括偏倚。在每次参数更新时，连续的$\Delta w_i^t$可能很不相同以致出现摆动，减缓收敛。t为时间指数，是批量学习的周期数和在线学习的迭代次数。基本想法是在当前的改变中考虑上一次的更新，去移动平均，好像因上次更新而存在的动量(momentum):

$$\Delta w_i^t = -\eta \frac {\partial E^t}{\partial w_i} + \alpha \Delta w_i^{t-1}$$   通常，a在0.5-1.0之间取值。当时用在线学习时，这种方法特别有用。我们将得到平均和光滑收敛轨迹的效果。缺点是需要额外存储过去的权重。

自适应学习率

  在梯度下降中，学习因子$\eta$决定参数的该变量。它通常在0.0-1.0之间取值，大部分情况小雨或等于0.2。为了更快收敛，可以让它自适应。学习开始时它保持较大，学习减慢时它也减小：

$$\Delta \eta = \left\{\begin{matrix} +\alpha & \ \ \ \ \ \ \ \ \ \ \ if E^{t+\tau}<E^t \\ -b\eta & else \end{matrix}\right.$$ 这样，如果训练集上的误差减小，则 $\eta$增加一个常量；如果误差增大，则 $\eta$减小。由于E可能从一个周期到另一个周期震荡，所以最好用过去几个周期的平均值作为 $E^t$。

过分训练

  随着训练周期的增加，训练机上的误差降低，但是当超过某一点时，验证集上的误差开始增加。
  由于非线性，误差函数可能有多个极小，而梯度下降收敛于最近的极小。为了能够评估期望的误差，通常以不同的初始权重开始。

构造网络

  在某些应用中，我们可能相信输入具有局部结构。此时，再设计MLP时，并不是将隐层单元连接到所有输入单元，因为并非所有的输入都是相关的。另外，我们定义隐藏单元，它在输入空间上定义一个输入窗口，并且仅与输入的一个小的局部子集相连接。这样做减少了连接数，从而减少了自有参数的数目。
  同时，我们可以通过圈中共享(weight sharing)进一步减少参数的数目。

线索

局部结构的只是可以使得我们预先构造多层网络，并且使用权重共享使得他具有较少的参数。具有全连接层的MLP不具有这种结构，并且更难训练。如果将与应用相关的任何类型的知识都用与网络结构的构建中，那么这些知识称作线索(hint)。它们是我们知道的目标函数的性质，独立于训练实例。

1. 可以使用线索创建虚拟实例。如图像的伸缩变换。
2. 不变形可以作为预处理阶段实现。例如，光学字符阅读器可以有一个预处理步骤。将输入字符的图像关于尺寸和倾斜进行中心化和规范化。
3. 线索可以纳入网络结构中。
4. 也可以通过修改误差函数纳入线索。