图神经网络（CNN）二

图神经网络的相关知识

机器学习的分类

按有无标签分类

监督学习

监督学习指的是每个训练数据的样本都有标签，通过标签可以指导模型进行学习，学到具有判别性的特征，然后对未知样本进行预测。

翻译成人话：班里的人分为内卷人和摆烂人，有一个机器会自动观察内卷人的成绩和摆烂人的成绩，等观察的人够多了之后，他就可以根据成绩判断哪个是摆烂人哪个是内卷人，这样机器看到小废物rytter的成绩后就能判断出rytter是个摆烂人。

无监督学习

无监督学习是指训练的数据没有标签，通过算法来发现数据中的约束关系。

翻译成人话：某个机器观察了班里的成绩，根据成绩机器人就能自动将成绩分成两类，内卷人和摆烂人，小废物rytter自然就被分到了摆烂人一类。

半监督学习

半监督学习指的是介于监督学习和无监督学习之间的一种学习方式，他的训练集既包含标签数据，又包含无标签数据。无标签数据会包含数据分布的信息，可以作为标签数据之外的一些补充，因为人工去标记这些数据会有很大代价，而半监督学习可以提供一些解决思路。

翻译成人话：略了，小废物rytter开摆！

按算法输出分类

分类问题

输出一个离散值，比如可以读取一个肿瘤的大小，然后判断是否为恶性肿瘤，这种情况下只有是或者否两种情况，这类问题就叫做分类问题

回归问题

我们通过读取这个数据集，然后给出一个可以和这些值相拟合的一条线，然后可以通过这个函数进行一个预测。列如单变量线性回归方程。

机器学习流程的概述

举个例子

比如我们要给一些商品分类，我们需要建立一个模型，并使用商品的图片数据训练模型，得到有个可以对未知图片进行分类的预测模型。然后我们需要进行的步骤如下：

（1）提取商品图片的特征

首先我们需要找到图片的一些具有区分性的特征，我们可以人为规定特征，这个过程称为特征工程。其实我们还可以通过算法自动提取，这就是深度学习涉及的范围了。

（2）建立模型

选择一个合适的模型进行建模，其实建模就是一个复杂的函数$y=f(X;W)$，W是模型的一些参数，是需要不断调整的，X就是前面的特征，通过特征X和训练所得的W得到一个y，就是我们需要的结果。

（3）确定损失函数和进行优化求解

建立模型后如何判断模型好不好用，为了解决这个问题我们提出了损失函数，利用损失函数来判断拟合性如何，基于损失函数的值我们可以通过优化方法进行调整，直到损失函数的值达到我们可接受范围内。

数学模型

以分类模型为例子

首先我们有一个可爱的数据集 X = { ( x i , y i ) ∣ i = 1 , 2 , 3 , . . . , N } X=\{ {(x_i,y_i)|i=1,2,3,...,N} \} X={(xi​,yi​)∣i=1,2,3,...,N},每个样本x都会有一个标签y，注意x不是一个单独的值，而是具有一系列特征的d维向量，y就是我们要分的类别，可以是一个值，也可以是多个值，就像鞋子可以分为运动鞋和非运动鞋，也可以分为老年鞋和非老年鞋。

我们的目的就是建立一个模型$f:R^d\to R^K$,K代表种类数，输入的是d维的向量，经过f的映射后，输出在各个分类上的概率分布$P(Y|x_i)=f(x_i;\theta )$（翻译成人话：就是算出这个鞋有多大概率属于运动鞋，有多大概率属于老年鞋）。这样可以取最大概率的作为结果，即$y_i^{\ast }=argmax(P(Y|x_i))$(翻译成人话：如果运动鞋概率更大，我们就认为它是运动鞋)。

如何判断分类模型的好坏？

很简单，我们比较一下我们预测的结果跟实际结果的差别就可以了，如果能对大部分样本进行有效的预测，那我们的模型肯定没有问题。如何衡量这个差别呢？那就是用损失函数进行预测。

**损失函数（loss function）**通常用$L(y,f(x;\theta ))$来表示，y代表实际的结果，$f(x_i;\theta )$代表我们预测的结果，我们会通过不停的训练，不停的调整$\theta$的值，让损失函数最小，当损失函数最小时，我们也就得到了$\theta$的最优值，这时的$f(x_i;\theta )$也就是我们使用的模型的最优情况，我们可以通过测量不同模型的最优的$\theta$来判断哪种模型更贴切。求最优$\theta$的过程被称为优化求解。这个过程可以用下式表示：

${\theta }^{\ast }=argmin[\frac{1}{N}{\sum }_{i=1}^{N}L(y_i,f(x_i;\theta ))+\lambda \varphi (\theta )]$

后面的$\varphi$表示的是正则化项（regularizer）或者说是惩罚项（penalty term），这个以后再进行详细解释。

在实际优化中，我们会不断进行迭代，直到最终的$\theta$不再变化或者变化缓慢即可，这种情况下我们就说该模型已经收敛了。

过拟合现象：就是指我们的模型能完美符合训练集中的数据，但是对新样本的数据拟合情况十分糟糕，这种情况就是过拟合。正则化项就是为了解决过拟合现象而提出的。

常见的损失函数

1.平方损失函数

$L(y,f(x;\theta ))=\frac{1}{N}{\sum }_{i=1}^N(y_i-f(x_i;\theta ){)}^2$

其中N是样本数量，常用于回归问题。

2.交叉熵损失

常用于分类问题，这个不过多解释了，可以去查一下熵的概念和定义。在离散情况下用的比较多，器形式如下：

$L(y,f(x))=H(p,q)=-\frac{1}{N}{\sum }_{i=1}^{N}p(y_i|x_i)log[q(\widehat{y_i}|x_i)]$

其中p代表真实分布，q代表模型预测的分布，$p(y_i|x_i)$代表样本标签的真实分布。

梯度下降算法

梯度下降算法的原理

梯度下降是一种经典的方法，利用梯度信息，通过不断迭代调整参数来寻找合适的解。

对于一个多元函数$f(x)$(x是多维向量)，梯度是指其中每个自变量的偏导数构成的向量，$f^{\prime }(x)$表示

​ $f^{\prime }(x)=\nabla f(x)=[\nabla f(x_1),...,\nabla f(x_n){]}^T$

让$f(x+△x)$在x处泰勒展开可得：

​ $f^{\prime }(x+△x)=f(x)+f^{\prime }(x{)}^T△x+o(△x)$

要使$f(x+△x)<f(x)$，忽略高阶项，就要$f^{\prime }(x{)}^T△x<0$,满足这个条件就可以让函数值变小，进一步

​ $f^{\prime }(x{)}^T△x=||f^{\prime }(x{)}^T||\cdot ||△x||\cdot cos\theta$

令$△x=-\alpha f^{\prime }(x)$,就可以让更新后的函数变小，因为这样的话向量刚好相反，$\alpha$是一个超参数，用于调整步长的。

算法的步骤

1. 给求解参数赋个值，作为优化的起点
2. 对所有样本进行预测，算出损失值
3. 利用损失值进行求导，得到相应的梯度
4. 基于梯度调整参数
5. 重复2-4的过程，直到达到预期

For i=0,1,2,3,…,N

​ $L_i=L(X;f(X;{\theta }_i)$

​ ∇ θ i = ∂ L i ∂ θ i = { ∇ θ i ( 0 ) , . . . , ∇ θ i ( k ) } \nabla{\theta_i}=\frac{\partial{L_i} }{\partial{\theta{_i}} }=\{ {\nabla{\theta_i^{(0)} } },...,{\nabla{\theta_i^{(k)} } }\} ∇θi​=∂θi​∂Li​​={∇θi(0)​,...,∇θi(k)​}

​ θ i + 1 = { θ i ( 0 ) − α ∇ θ i ( 0 ) , θ i ( k ) − α ∇ θ i ( k ) } \theta{_{i+1}}=\{ {\theta_i^{(0)}-\alpha{\nabla{\theta_i^{(0)} } } },{\theta_i^{(k)}-\alpha{\nabla{\theta_i^{(k)} } } }\} θi+1​={θi(0)​−α∇θi(0)​,θi(k)​−α∇θi(k)​}

随机梯度下降算法

上述算法在数据集较大时效率是比较低的，因为它的计算的数量以及处理的维度会特别大，会消耗大量的时间。像上述这种基于所有样本计算梯度值的算法叫做批梯度下降法（Batch Gradient Descent）.

如果不使用全量的样本，而是选单个样本估计梯度，就能提高效率，而且这种方法的收敛性是可以保证的，这种方法叫随机梯度下降法（Stochastic Gradient Descent,SGD）。就是每次随机选一个样本进行计算，概率上来讲就是单个样本的梯度就是整个数据梯度的无偏估计，但由于不确定性，所以收敛速度会更慢。

改进的方法是每次选取多个样本进行计算。这种方法叫做小批量随机梯度下降（mini-batch,SGD）每次迭代选取的样本数量叫批大小（batch size）

基本算法同上，不在赘述。