我只是一名搬运工,以下内容来自:刘建平Pinard https://www.cnblogs.com/pinard/p/6437495.html
前言
在深度神经网络(DNN)反向传播算法(BP)中,我们对DNN的前向反向传播算法的使用做了总结。里面使用的损失函数是均方差,而激活函数是Sigmoid。实际上DNN可以使用的损失函数和激活函数不少。这些损失函数和激活函数如何选择呢?下面我们就对DNN损失函数和激活函数的选择做一个总结。
1. 均方差损失函数+Sigmoid激活函数的问题
在讲反向传播算法时,我们用均方差损失函数和Sigmoid激活函数做了实例,首先我们就来看看均方差+Sigmoid的组合有什么问题。
首先我们回顾下Sigmoid激活函数的表达式为:
σ
(
z
)
=
1
1
+
e
−
z
\sigma(z) = \frac{1}{1+e^{-z}}
σ(z)=1+e−z1
σ
(
z
)
\sigma(z)
σ(z)的函数图像如下:
从图上可以看出,对于Sigmoid,当
z
z
z的取值越来越大后,函数曲线变得越来越平缓,意味着此时的导数
σ
′
(
z
)
\sigma ^{'}(z)
σ′(z)也越来越小。同样的,当
z
z
z的取值越来越小时,也有这个问题。仅仅在
z
z
z取值为0附近时,导数
σ
′
(
z
)
\sigma ^{'}(z)
σ′(z)的取值较大。
在上篇讲的均方差+Sigmoid的反向传播算法中,每一层向前递推都要乘以 σ ′ ( z ) \sigma ^{'}(z) σ′(z),得到梯度变化值。Sigmoid的这个曲线意味着在大多数时候,我们的梯度变化值很小,导致我们的 W , b W,b W,b更新到极值的速度较慢,也就是我们的算法收敛速度较慢。那么有什么什么办法可以改进呢?
2. 使用交叉熵损失函数+Sigmoid激活函数改进DNN算法收敛速度
上一节我们讲到Sigmoid的函数特性导致反向传播算法收敛速度慢的问题,那么如何改进呢?换掉Sigmoid?这当然是一种选择。另一种常见的选择是用交叉熵损失函数来代替均方差损失函数。
我们来看看二分类时每个样本的交叉熵损失函数的形式: J ( W , b , a , y ) = − [ y l n a + ( 1 − y ) l n ( 1 − a ) ] J(W,b,a,y) = - [y lna + (1-y) ln(1 -a)] J(W,b,a,y)=−[ylna+(1−y)ln(1−a)]
这个形式其实很熟悉,在逻辑回归原理小结中其实我们就用到了类似的形式,只是当时我们是用最大似然估计推导出来的,而这个损失函数的学名叫交叉熵。
使用了交叉熵损失函数,就能解决Sigmoid函数导数变化大多数时候反向传播算法慢的问题吗?我们来看看当使用交叉熵时,我们输出层
δ
L
\delta^L
δL的梯度情况。
δ
L
=
∂
J
(
W
,
b
,
a
L
,
y
)
∂
z
L
(
1
)
=
−
y
1
a
L
(
a
L
)
(
1
−
a
L
)
+
(
1
−
y
)
1
1
−
a
L
(
a
L
)
(
1
−
a
L
)
(
2
)
=
−
y
(
1
−
a
L
)
+
(
1
−
y
)
a
L
(
3
)
=
a
L
−
y
(
4
)
\begin{aligned} \delta^L & = \frac{\partial J(W,b,a^L,y)}{\partial z^L} &(1)\\ & = -y\frac{1}{a^L}(a^L)(1-a^L) + (1-y) \frac{1}{1-a^L}(a^L)(1-a^L) &(2)\\ & = -y(1-a^L) + (1-y)a^L &(3)\\ & = a^L-y &(4)\\ \end{aligned}
δL=∂zL∂J(W,b,aL,y)=−yaL1(aL)(1−aL)+(1−y)1−aL1(aL)(1−aL)=−y(1−aL)+(1−y)aL=aL−y(1)(2)(3)(4)
可见此时我们的
δ
l
\delta^l
δl梯度表达式里面已经没有了
σ
′
(
z
)
\sigma ^{'}(z)
σ′(z),作为一个特例,回顾一下我们上一节均方差损失函数时在
δ
L
\delta^L
δL梯度,
∂
J
(
W
,
b
,
x
,
y
)
∂
z
L
=
(
a
L
−
y
)
⊙
σ
′
(
z
)
\frac{\partial J(W,b,x,y)}{\partial z^L} =(a^L-y) \odot \sigma^{'}(z)
∂zL∂J(W,b,x,y)=(aL−y)⊙σ′(z)
对比两者在第L层的 δ L \delta^L δL梯度表达式,就可以看出,使用交叉熵,得到的的 δ l \delta^l δl梯度表达式没有了 σ ′ ( z ) \sigma^{'}(z) σ′(z),梯度为预测值和真实值的差距,这样求得的 W l , b l W^l,b^l Wl,bl的地图也不包含 σ ′ ( z ) \sigma^{'}(z) σ′(z),因此避免了反向传播收敛速度慢的问题。
通常情况下,如果我们使用了sigmoid激活函数,交叉熵损失函数肯定比均方差损失函数好用。
3. 使用对数似然损失函数和softmax激活函数进行DNN分类输出
在前面我们讲的所有DNN相关知识中,我们都假设输出是连续可导的值。但是如果是分类问题,那么输出是一个个的类别,那我们怎么用DNN来解决这个问题呢?
比如假设我们有一个三个类别的分类问题,这样我们的DNN输出层应该有三个神经元,假设第一个神经元对应类别一,第二个对应类别二,第三个对应类别三,这样我们期望的输出应该是(1,0,0),(0,1,0)和(0,0,1)这三种。即样本真实类别对应的神经元输出应该无限接近或者等于1,而非该样本真实输出对应的神经元的输出应该无限接近或者等于0。或者说,我们希望输出层的神经元对应的输出是若干个概率值,这若干个概率值即我们DNN模型对于输入值对于各类别的输出预测,同时为满足概率模型,这若干个概率值之和应该等于1。
DNN分类模型要求是输出层神经元输出的值在0到1之间,同时所有输出值之和为1。很明显,现有的普通DNN是无法满足这个要求的。但是我们只需要对现有的全连接DNN稍作改良,即可用于解决分类问题。在现有的DNN模型中,我们可以将输出层第i个神经元的激活函数定义为如下形式: a i L = e z i L ∑ j = 1 n L e z j L a_i^L = \frac{e^{z_i^L}}{\sum\limits_{j=1}^{n_L}e^{z_j^L}} aiL=j=1∑nLezjLeziL
其中, n L n_L nL是输出层第L层的神经元个数,或者说我们的分类问题的类别数。
很容易看出,所有的 a i L a_i^L aiL都是在(0,1) 之间的数字,而 ∑ j = 1 n L e z j L \sum\limits_{j=1}^{n_L}e^{z_j^L} j=1∑nLezjL作为归一化因子保证了所有的 a i L a_i^L aiL之和为1。
这个方法很简洁漂亮,仅仅只需要将输出层的激活函数从Sigmoid之类的函数转变为上式的激活函数即可。上式这个激活函数就是我们的softmax激活函数。它在分类问题中有广泛的应用。将DNN用于分类问题,在输出层用softmax激活函数也是最常见的了。
下面这个例子清晰的描述了softmax激活函数在前向传播算法时的使用。假设我们的输出层为三个神经元,而未激活的输出为3,1和-3,我们求出各自的指数表达式为:20,2.7和0.05,我们的归一化因子即为22.75,这样我们就求出了三个类别的概率输出分布为0.88,0.12和0。
从上面可以看出,将softmax用于前向传播算法是也很简单的。那么在反向传播算法时还简单吗?反向传播的梯度好计算吗?答案是Yes!
对于用于分类的softmax激活函数,对应的损失函数一般都是用对数似然函数,即: J ( W , b , a L , y ) = − ∑ k y k l n a k L J(W,b,a^L,y) = - \sum\limits_ky_klna_k^L J(W,b,aL,y)=−k∑yklnakL
其中 y k y_k yk的取值为0或者1,如果某一训练样本的输出为第i类。则 y i = 1 y_i=1 yi=1,其余的 j ≠ i j \neq i j=i都有 y j = 0 y_j=0 yj=0。由于每个样本只属于一个类别,所以这个对数似然函数可以简化为: J ( W , b , a L , y ) = − l n a i L J(W,b,a^L,y) = -lna_i^L J(W,b,aL,y)=−lnaiL
其中 i i i即为训练样本真实的类别序号。
可见损失函数只和真实类别对应的输出有关,这样假设真实类别是第i类,对于真实类别第i类,他对应的第j个w链接
w
i
j
L
w_{ij}^L
wijL对应的梯度计算为:
∂
J
(
W
,
b
,
a
L
,
y
)
∂
w
i
j
L
=
∂
J
(
W
,
b
,
a
L
,
y
)
∂
a
i
L
∂
a
i
L
∂
z
i
L
∂
z
i
L
∂
w
i
j
L
(
5
)
=
−
1
a
i
L
(
e
z
i
L
)
∑
j
=
1
n
L
e
z
j
L
−
e
z
i
L
e
z
i
L
(
∑
j
=
1
n
L
e
z
j
L
)
2
a
j
L
−
1
(
6
)
=
−
1
a
i
L
(
e
z
i
L
∑
j
=
1
n
L
e
z
j
L
−
e
z
i
L
∑
j
=
1
n
L
e
z
j
L
e
z
i
L
∑
j
=
1
n
L
e
z
j
L
)
a
j
L
−
1
(
7
)
=
−
1
a
i
L
a
i
L
(
1
−
a
i
L
)
a
j
L
−
1
(
8
)
=
(
a
i
L
−
1
)
a
j
L
−
1
(
9
)
\begin{aligned} \frac{\partial J(W,b,a^L,y)}{\partial w_{ij}^L}& = \frac{\partial J(W,b,a^L,y)}{\partial a_i^L}\frac{\partial a_i^L}{\partial z_i^L}\frac{\partial z_i^L}{\partial w_{ij}^L} &(5)\\ & = -\frac{1}{a_i^L}\frac{(e^{z_i^L})\sum\limits_{j=1}^{n_L}e^{z_j^L}-e^{z_i^L}e^{z_i^L}}{(\sum\limits_{j=1}^{n_L}e^{z_j^L)^2}} a_j^{L-1} &(6)\\ & = -\frac{1}{a_i^L} (\frac{e^{z_i^L}}{\sum\limits_{j=1}^{n_L}e^{z_j^L}}-\frac{e^{z_i^L}}{\sum\limits_{j=1}^{n_L}e^{z_j^L}}\frac{e^{z_i^L}}{\sum\limits_{j=1}^{n_L}e^{z_j^L}}) a_j^{L-1} &(7)\\ & =-\frac{1}{a_i^L}a_i^L(1- a_i^L)a_j^{L-1} &(8)\\ & = (a_i^L -1)a_j^{L-1} &(9)\\ \end{aligned}
∂wijL∂J(W,b,aL,y)=∂aiL∂J(W,b,aL,y)∂ziL∂aiL∂wijL∂ziL=−aiL1(j=1∑nLezjL)2(eziL)j=1∑nLezjL−eziLeziLajL−1=−aiL1(j=1∑nLezjLeziL−j=1∑nLezjLeziLj=1∑nLezjLeziL)ajL−1=−aiL1aiL(1−aiL)ajL−1=(aiL−1)ajL−1(5)(6)(7)(8)(9)
同样的可以得到 b i L b_i^L biL的梯度表达式为: ∂ J ( W , b , a L , y ) ∂ b i L = a i L − 1 \frac{\partial J(W,b,a^L,y)}{\partial b_i^L} = a_i^L -1 ∂biL∂J(W,b,aL,y)=aiL−1
可见,梯度计算也很简洁,也没有第一节说的训练速度慢的问题。举个例子,假如我们对于第2类的训练样本,通过前向算法计算的未激活输出为(1,5,3),则我们得到softmax激活后的概率输出为:(0.015,0.866,0.117)。由于我们的类别是第二类,则反向传播的梯度应该为:(0.015,0.866-1,0.117)。是不是很简单呢?
当softmax输出层的反向传播计算完以后,后面的普通DNN层的反向传播计算和之前讲的普通DNN没有区别。
4. 梯度爆炸梯度消失与ReLU激活函数
学习DNN,大家一定听说过梯度爆炸和梯度消失两个词。尤其是梯度消失,是限制DNN与深度学习的一个关键障碍,目前也没有完全攻克。
什么是梯度爆炸和梯度消失呢?从理论上说都可以写一篇论文出来。不过简单理解,就是在反向传播的算法过程中,由于我们使用了是矩阵求导的链式法则,有一大串连乘,如果连乘的数字在每层都是小于1的,则梯度越往前乘越小,导致梯度消失,而如果连乘的数字在每层都是大于1的,则梯度越往前乘越大,导致梯度爆炸。
比如我们在前一篇反向传播算法里面讲到了 δ \delta δ的计算,可以表示为: δ l = ∂ J ( W , b , x , y ) ∂ z l = ( ∂ z L ∂ z L − 1 ∂ z L − 1 ∂ z L − 2 . . . ∂ z l + 1 ∂ z l ) T ∂ J ( W , b , x , y ) ∂ z L \delta^l =\frac{\partial J(W,b,x,y)}{\partial z^l} = (\frac{\partial z^L}{\partial z^{L-1}}\frac{\partial z^{L-1}}{\partial z^{L-2}}...\frac{\partial z^{l+1}}{\partial z^{l}})^T\frac{\partial J(W,b,x,y)}{\partial z^L} δl=∂zl∂J(W,b,x,y)=(∂zL−1∂zL∂zL−2∂zL−1...∂zl∂zl+1)T∂zL∂J(W,b,x,y)
如果不巧我们的样本导致每一层 ∂ z l + 1 ∂ z l \frac{\partial z^{l+1}}{\partial z^{l}} ∂zl∂zl+1的都小于1,则随着反向传播算法的进行,我们的 δ l \delta^l δl会随着层数越来越小,甚至接近越0,导致梯度几乎消失,进而导致前面的隐藏层的 W , b W,b W,b参数随着迭代的进行,几乎没有大的改变,更谈不上收敛了。这个问题目前没有完美的解决办法。
而对于梯度爆炸,则一般可以通过调整我们DNN模型中的初始化参数得以解决。
对于无法完美解决的梯度消失问题,目前有很多研究,一个可能部分解决梯度消失问题的办法是使用ReLU(Rectified Linear Unit)激活函数,ReLU在卷积神经网络CNN中得到了广泛的应用,在CNN中梯度消失似乎不再是问题。那么它是什么样子呢?其实很简单,比我们前面提到的所有激活函数都简单,表达式为: σ ( z ) = m a x ( 0 , z ) \sigma(z) = max(0,z) σ(z)=max(0,z)
也就是说大于等于0则不变,小于0则激活后为0。就这么一玩意就可以解决梯度消失?至少部分是的。具体的原因现在其实也没有从理论上得以证明。这里我也就不多说了。
5. DNN其他激活函数
除了上面提到了激活函数,DNN常用的激活函数还有:
1 ) tanh:这个是sigmoid的变种,表达式为: t a n h ( z ) = e z − e − z e z + e − z tanh(z) = \frac{e^z-e^{-z}}{e^z+e^{-z}} tanh(z)=ez+e−zez−e−z
tanh激活函数和sigmoid激活函数的关系为: t a n h ( z ) = 2 s i g m o i d ( 2 z ) − 1 tanh(z) = 2sigmoid(2z)-1 tanh(z)=2sigmoid(2z)−1
tanh和sigmoid对比主要的特点是它的输出落在了[-1,1],这样输出可以进行标准化。同时tanh的曲线在较大时变得平坦的幅度没有sigmoid那么大,这样求梯度变化值有一些优势。当然,要说tanh一定比sigmoid好倒不一定,还是要具体问题具体分析。
2 ) softplus:这个其实就是sigmoid函数的原函数,表达式为: s o f t p l u s ( z ) = l o g ( 1 + e z ) softplus(z) = log(1+e^z) softplus(z)=log(1+ez)
它的导数就是sigmoid函数。softplus的函数图像和ReLU有些类似。它出现的比ReLU早,可以视为ReLU的鼻祖。
3 ) PReLU:从名字就可以看出它是ReLU的变种,特点是如果未激活值小于0,不是简单粗暴的直接变为0,而是进行一定幅度的缩小。如下图。当然,由于ReLU的成功,有很多的跟风者,有其他各种变种ReLU,这里就不多提了。
6. DNN损失函数和激活函数小结
上面我们对DNN损失函数和激活函数做了详细的讨论,重要的点有:
1 ) 如果使用sigmoid激活函数,则交叉熵损失函数一般肯定比均方差损失函数好。
2 ) 如果是DNN用于分类,则一般在输出层使用softmax激活函数和对数似然损失函数。
3 ) ReLU激活函数对梯度消失问题有一定程度的解决,尤其是在CNN模型中。
(欢迎转载,转载请注明出处:刘建平Pinard https://www.cnblogs.com/pinard/p/6437495.html)