【深度学习与计算机视觉】8、深度学习背景与人工神经网络

一、基础知识

线性分类器：

工业界有很多算法完成分类的问题，比如线性分类器，输入一张32x32x3的矩阵，利用f(wx+b)得到属于不同类别的得分向量，

方便演示，x列向量只选了4个值，w为3x4的矩阵，偏置项是为了让分类线可以上下平移，更好的分类，我们希望正确类别的得分比较高。

两种理解方式：

1. 空间划分

可以把w看成三个行向量，因为每个行都控制着不同类别的得分，三行w分别对应不同的直线。当我们确定了w和b之后，会确定一条直线，相当于对平面进行了一个划分。

不同的w和b对应空间中不同的超平面，对平面做区域划分，在不同区域内，属于不同的类。

2. 模板匹配

将每一行w看成每个类别的模板，

对同一个输入x，用不同的模板去匹配它，看哪个模板的匹配度最高。

损失函数：

损失函数是衡量预测和真实值的差别的，随机初始化一组w之后，会根据最小化损失函数的方法来优化w，使得损失函数最小。

不同的损失函数，对应不同的评估手段，不同的手段都能体现模型的学习能力，比如hingeloss，或softmax。

• Hinge 损失
  

正确的得分比错误的得分大于delta的时候，不做惩罚，如果两者的差小于delta，则利用两者的差+delta作为损失值。

• 交叉熵损失

为什么可以用交叉熵损失函数来衡量网络？

熵的本质是信息量的期望值，$H(p)=\sum p_i\times H(p_i)$，现在有关于样本集的两个分布p和q，其中p为真实分布，q为预测分布，比如深度学习的手写体识别，预测得到的属于每类的概率为$q(0)=0.0,q(1)=0.1,q(2)=0.1,q(3)=0.8,q(4)=0,\dots$，q是真实的分布。最后肯定会选择概率最大的3作为输出，而真实分布为$p(0)=0,p(1)=0,p(2)=0,p(3)=1,p(4)=\mathrm{0...}$，于是，我们想做的就是让p和q的分布尽可能一样。

概率论或信息论中，利用KL散度（相对熵）来衡量两个分布间的距离，且是非对称的，也就是$D(P||Q)\ne D(Q||P)$，信息论中，也用$D(P||Q)$来衡量利用概率分布Q来拟合真实分布P的时候，产生的信息损耗。当KL散度的值越大，表示两个概率分布的差距越大，KL散度和交叉熵的关系如下：

KL散度：$$D_{KL}=\sum p_{i}log\frac{p_i}{q_i}$$

交叉熵（CH）：
$$CH(p_i,q_i)=-\sum p_{i}log{q}_i=\sum p_{i}log{p}_i-\sum p_{i}log{q}_i-\sum p_{i}log{p}_i$$ $$\therefore CH(p_i,q_i)=H(p_i)+\sum p_{i}log\frac{p_i}{q_i}$$

交叉熵=熵+KL散度

而$H(pi)$是一个真实分布的期望，因此与训练无关，是一个常数项，所以将原本的最小化相对熵，转化为最小化交叉熵，

一般情况，我们希望将得分函数转化为分为某一类的概率，多分类情况下利用softmax来完成。

softmax：某个类别的得分的指数值，和所有得分的指数值的比值

为什么用指数，因为指数可以避免负值的出现。

$$S_i=\frac{e^{V_i}}{{\sum }_j{e}^{V_j}}$$

softmax可以将不同的得分函数转化为属于该类的概率值，转化之后，概率之和为1。

$e^{V_i}$表示某个类别的线性得分函数，$S_i$表示属于该类的概率输出，由于log变换不会影响函数的单调性，故对$S_i$进行log变换，我们希望$S_i$越大越好，即对应正确类别的相对概率越大越好，所以对$S_i$前面加一个负号，来表示损失函数，这就称为交叉熵损失函数。

交叉熵损失函数：$$L_i=-log(\frac{e^{V_i}}{\sum e^{V_j}})$$

对上式进行进一步处理，约掉指数：

$$L_i=-log{e}^{V_i}-log\sum _j{e}^{V_j}=-V_j+log\sum _j{e}^{V_j}$$

假设线性输出为：

计算损失函数：

损失函数越小越好

二、神经网络

2.1 神经网络的结构：

由输入+隐层+输出来构成

从逻辑回归到神经元感知器：

已最简单的结构来剖析神经网络：感知器

线性输出：
$z={\theta }_0+{\theta }_1+{\theta }_2$

经过sigmoid映射到0~1的范围内的概率：

$a=g(z)=\frac{1}{1+e^{-z}}$
利用阈值0.5作为判定是正类还是负类

添加少量的隐藏层：

2.2 为什么神经网络在分类问题中的效果比较好：

LR或SVM是线性分类器，是利用一条决策边界，去将正负样本区分开

对于非线性可以的情况：

SVM会用核函数来升维，但是做不了可视化，无法看到升维之后的样本是什么样子的，维度很高，无法判断哪些特征有用，不可控性高。

如何用线性分类器做非线性分类——GBDT或kernel SVM，但是这些方法对划分的准确率却没有那么高。

神经网络如果划分线性不可分的数据：

左图两类样本点的分割，线性分类器实现不了，右图是利用两条直线，将空间区分成了两部分，求两个直线的交集即可。

神经元完成逻辑与：

• 如果X1=0,X2=0，经过sigmoid之后，输出p->0；

• 如果X1=0,X2=1，那么-10经过sigmoid之后，p结果仍然接近于0

• 如果X1=1,X2=0，那么-10经过sigmoid之后，p结果仍然接近于0

• 如果X1=1,X2=1，那么10经过sigmoid之后，p结果接近于1

所以，感知器可以完成and的操作，当两个输入都为1的时候，输出才为1

神经元完成逻辑或：

只要有1出现，那么输出都为1

神经网络如何完成非线性的分类：

构建多个线性分类器，利用and操作来截出一个多边形区域。找到三个绿色的区域，对绿色区域进行一个or操作，就可以得到所有的绿色区域。

利用神经网络可以做任意的划分

多加一个神经元，可以多一条线，多加一层，可以多加一个or操作，多层可以实现异或问题。

神经网络的结构：

如果不添加非线性的激活函数的话，相当于线性变换的堆叠，还是没有逼近任何非线性信号的能力。

没有必要去深扣每个神经元到底在提取什么信号

2.3 BP算法

正向传播：求损失

反向传播：回传误差，根据误差信号修正每层的权重

前面的所有层都要对最后的预测负责，所以要将误差一层一层的往前传，更新每个神经元的参数。

以3层感知器为例：

标准答案是[d1,d2,…,dL]（回归利用L2损失）

求函数的最小值，一般用一阶的方式来求解，二阶的Hessian矩阵存储所需内存很大，难以实现。

SGD最小化误差函数：

复合函数$f(g(h(x)))$的导数，是链式法则，也就是$h^{\prime }(x)\cdot g(h(x))\cdot f^{\prime }(g(h(x)))$，需要一步步往前推导，得到f对x的偏导。

BP算法的示例：

希望找到合适的w和b，使得结果为0.01和0.99。

前向传播计算误差：

反向传播计算梯度：

1. 前向传播计算损失
   

2. 计算对w5的更新
   

3. 计算对w1的更新

w1对Etotal都会起作用，也就是Etotal=Etotal1+Etotal2，是一个求和的过程。

反向传播是将误差对该权值的梯度回传，利用该梯度进行权重的更新。