artificial neural network in spark MLLib

神经网络模型

每个node包含两种操作：线性变换（仿射变换）和激发函数（activation function）。

其中仿射变换是通用的，而激发函数可以很多种，如下图。

MLLib中实现ANN

使用两层(Layer)来对应模型中的一层：

• AffineLayer 仿射变换: output = W · input + b
• 如果是最后一层，使用SoftmaxLayerWithCrossEntropyLoss或者SigmoidLayerWithSquaredError；如果是中间层，则使用functionalLayer(new SigmoidFunction()). 目前MLlib只支持sigmoid函数，实际上ReLU激发函数更普遍

BP算法计算Gradient的四个步骤：

对照BP算法的步骤，可以发现分隔成Affine和Activation的好处。BP1和BP2中的计算，不同的activation函数有不同的计算形式，将affine变换和activation函数解耦方便组合，进而方便形成各种类型的神经网络。

MLLib FeedForward Trainer

训练器重要模块如下：

ANN模型中每层对应AffineLayer + FunctionalLayerModel OR SofrmaxLayerModelWIthCrossEntropyLoss
每个LayerModel实现三个函数：eval, computePrevDelta, grad, 作为输出层的SoftmaxLayerModel有些特殊，额外具有LossFunction特性。
可验证affine+activation LayerModel的计算组合跟BP1-4一致。

AffineLayerModel (仿射变换层)

• eval
  \(\text{output} = W \cdot \text{input} + b\)

• computePrevDelta
  \(prev\delta = W * \delta\)

• grad
  $\dot{W} = input \cdot \delta^l / \text{data size} $
  input is \(a^{l-1}\)，前一层的激发函数输出
  \(\dot{b} = \delta^l / \text{data size}\)

FunctionalLayerModel(activate function \(\sigma\))

作为affineModel的activation model，只影响prev\(\delta\) 的计算，grad不计算

• eval
  \(\text{output} = \sigma (\text{input})\)

• computePrevDelta
  \(\delta :=\delta * \sigma'(\text{input})\)

• grad
  pass

SoftmaxLayerModelWithCrossEntropyLoss

作为最后一层激发函数，这一层很特殊。

• eval
  计算参见手写公式。

• computePrevDelta
  不计算

• grad
  不计算

• loss
  计算\(\delta^L\)，公式推导参见手写公式，代码如下：

    ApplyInPlace(output, target, delta, (o: Double, t: Double) => o - t)

返回loss

Softmax输出层的激发函数：
\(a^L_j = \frac{e^{z^L_j}}{\sum_k e^{z^L_k}}\)
计算BP1：\(\delta^L_j = a^L_j -y_j\)

训练mnist手写数字识别

import org.apache.spark.ml.classification.MultilayerPerceptronClassifier
import org.apache.spark.ml.evaluation.MulticlassClassificationEvaluator
import org.apache.spark.ml.linalg.Vectors
import org.apache.spark.sql.{DataFrame, Dataset, Row, SparkSession}

object ann extends App {
  val spark = SparkSession
    .builder
    .appName("ANN for MNIST")
    .master("local[3]")
    .getOrCreate()
  spark.sparkContext.setLogLevel("ERROR")

  import spark.implicits._

  // Load the data stored in text as a DataFrame.
  val dataRdd: DataFrame= spark.sparkContext.textFile("handson-ml/data/train.csv")
    .map {
      line =>
        val linesp = line.split(",")
        val linespDouble = linesp.map(f => f.toDouble)
        (linespDouble.head, Vectors.dense(linespDouble.takeRight(linespDouble.length - 1)))
    }.toDF("label","features")


  val data = dataRdd
  // Split the data into train and test
  val splits: Array[DataFrame] = data.randomSplit(Array(0.6, 0.4), seed = 1234L)
  val train: Dataset[Row] = splits(0)
  val test: Dataset[Row] = splits(1)


  val layers = Array[Int](28*28, 300, 100, 10)

  // create the trainer and set its parameters
  val trainer = new MultilayerPerceptronClassifier()
    .setLayers(layers)
    .setBlockSize(128)
    .setSeed(1234L)
    .setMaxIter(100)
    .setLabelCol("label")
    .setFeaturesCol("features")


  // train the model
  val model = trainer.fit(train)

  // compute accuracy on the test set
  val result = model.transform(test)
  val predictionAndLabels = result.select("prediction", "label")
  val evaluator = new MulticlassClassificationEvaluator()
    .setMetricName("accuracy")

  println("Test set accuracy = " + evaluator.evaluate(predictionAndLabels))
}

后记

测试集结果精度为96.68%。实际上并不高，同样的数据集使用TensorFlow训练，activation function选择ReLU，同样使用Softmax作为输出，结果可以达到98%以上。Sigmoid函数容易带来vanishing gradients问题，导致学习曲线变平。

转载于:https://www.cnblogs.com/luweiseu/p/7843761.html