DNN Training Procedure
上图所示是 Pytorch 中训练 DNN 的概述,首先是 Define Neural Network、Loss Function、Optimizer,这三步用到了 torch.nn 和 torch.optim 模块。加载数据主要用到 torch.utils.data.Dataset 和 torch.utils.data.DataLoader 模块。反复进行训练和验证,最后得到模型进行测试。
深度学习简介
神经网络是一个函数
如果参数已知,那么一个神经网络就是一个 function
如果只是给出了一个网络结构,并没有确定参数,那么就是定义了一个函数的集合。
Layer1 的所有输出都与 Layer2 的所有输入连接,所以叫全连接。
Layer1 的输出给 Layer2,Layer2 的输出给 Layer3,所以叫前馈网络。
神经网络中的矩阵运算
神经网络的计算可以用矩阵操作来表示,如下图是一个计算例子。
如上图所示,是深度神经网络用矩阵计算的过程,
σ
\sigma
σ 是激活函数。
一个深度神经网络可以表示成一个函数,它的函数表达式如上图所示。写成矩阵运算的好处是可以用 GPU 加速,普通的 GPU 只是做矩阵运算比较快(相比 CPU)。
手写体识别例子
上图是一个简单的例子,输入是一个手写体数字的图像,对应一个长度为 256 的一维矩阵。输出是一个长度为 10 的一维矩阵,每个位置对应一个数字的概率,认为概率最大的那个数字就是最终的预测结果。
如上图所示,输入是一个长度为 256 的一维矩阵,输出是一个长度为 10 的一维矩阵,把输入转化为输出的函数就是神经网络。
Backpropagation(反向传播)
backpropagation(反向传播),就是 gradient descent,它能够高效地计算百万维的一维矩阵的梯度。
看了两遍以后,我发现 backpropagation 之所以高效,是利用了动态规划的思想。之所以说是利用了动态规划的思想,而不是动态规划,是因为这个问题是求梯度,是一个确定的值,而动态规划是求最值的,但是思路是一样的。
如上图所示,求
∂
z
∂
w
\frac{\partial z}{\partial w}
∂w∂z 是 Forward pass,求
∂
C
∂
z
\frac{\partial C}{\partial z}
∂z∂C 是 Backward pass。
求 ∂ C ∂ z \frac{\partial C}{\partial z} ∂z∂C 的过程可以画成以下递归树,递归边界是输出层。如果直接计算时间复杂度很高,因为存在大量重复计算,也就是重叠子问题。比如计算到 a 1 a_1 a1 需要 b 1 , b 2 , b 3 b_1,b_2,b_3 b1,b2,b3 三个子问题的结果,计算 a 2 , a 3 a_2,a_3 a2,a3时也需要用到 b 1 , b 2 , b 3 b_1,b_2,b_3 b1,b2,b3 三个子问题的结果。这时就可以考虑利用动态规划的思想,增加备忘录记忆化搜索或从后往前推。减少了大量重复计算,就是 backpropagation 高效的原因。
上图是对 backpropagation 的总结,求
∂
z
∂
w
\frac{\partial z}{\partial w}
∂w∂z 是 Forward pass,求
∂
C
∂
z
\frac{\partial C}{\partial z}
∂z∂C 是 Backward pass。