【Machine Learning, Coursera】机器学习Week4 Neural Networks: Representation

Neural Networks: Representation

---

碎碎念：神经网络是11周的网课中最难理解的一节，没有之一。。。为了看懂这一节我打满了好几张草稿，被各种符号参数绕晕了一次又一次才终于理出了点头绪。不过凭良心讲，Ng讲的真的很浅显了，多研究几遍，还是能搞懂的。一定要耐心！课后练习一定得好好做！！

这一节会涉及到神经网络必备的基础知识，下一节再讲一些简单的应用。

相关机器学习概念：
1. 输入层(input layer)、隐藏层(hidden layer)、输出层(output layer)
2. 偏置单元(bias unit)
3. 激励(activation)、激励函数(activation function)
4. 权重(weight)
5. 前向传播算法(forward propagation)

---

一、复杂的非线性分类问题

在前面几节我们已经学习了线性回归和逻辑回归，为什么还要学习神经网络？

对于下图中n=100的非线性分类问题，如果想要包含所有的二次项，最终会得到5000(100^2/2)个二次项。随着特征个数n的增加，二次项的个数大约以$n^2$的量级增长。因此要包含所有的二次项并不是一个好的方法，而且由于项数过多，最后的结果很可能是过拟合的。此外，在处理这么多项时，也存在运算量过大的问题。
当然，我们也可以减少二次项的个数，但由于忽略了太多相关项，在处理下图的非线性分类问题时不可能得到理想的结果。

对于许多实际的机器学习问题，特征个数n是很大的。如计算机视觉中的汽车识别问题，对于我们来说这是一目了然的事情，但计算机看到的是一个数据矩阵，每个数字代表了图像中每个像素的亮度值。对于一张50*50像素的图片，计算机看到的就是一个50*50的亮度值矩阵。
为了让分类器识别出汽车，我们需要在训练样本中放入一些汽车图片和一些非汽车图片，从每幅图中挑出一组像素点，比如下面的pixel1和pixel2，接下来，我们可以在坐标系中将汽车样本用“+”，非汽车样本用“-”标注出来。这又是一个非线性分类问题。那么在实际中，这个分类问题特征空间的维度是多少？
假设我们用50*50像素的图片，这就是2500个像素点，如果计算机储存的是每个像素点的灰度值（介于0~255之间），特征向量的元素数量n=2500，而如果我们用的是RGB彩色图像，每个像素点包含红绿蓝三个子像素，那么n=7500。对于前一种情况，如果我们要包含所有的二次项，那么我们会得到大约300万个项，计算成本非常之高。

一句话总结，对于复杂的非线性分类问题，逻辑分类存在以下几个问题：
1、难以确定相关项
2、容易过拟合
3、计算成本高
而神经网络在解决复杂问题上是一种好得多的算法，即使特征维数n很大也能轻松搞定。
$\\$

二、神经网络基础

（一）模型表示：术语解释

下图是一个三层的神经网络模型，第一层到第三层分别有3、3、1个节点。
第一层，也叫输入层(input layer)，我们在这一层输入我们的特征项；
最后一层，也叫输出层(output layer)，这一层会输出我们的分类结果；
任何介于输入层和输出层的层都被称作隐藏层(hidden layer)，在下面这个模型中，第二层就是隐藏层。

在绘制神经网络时，有时还会在每一层增加一个额外的节点(下图中的$x_0$，$a^{(2)}_0$)，它们被称为偏置单位(bias unit)，或偏置神经元(bias neuron)，它的值总是等于1，其作用和线性回归以及逻辑回归中的$x_0$项是相同的。是否将偏置单位绘制出来取决于具体问题的方便。

神经网络在工作时，首先由输入层经过一系列非线性运算映射到隐藏层，以此类推，最终得到输出层结果。这个非线性函数，在神经网络中被称作激励函数(activation function)，通常它就是我们之前学过的逻辑函数。神经模型的参数有时也被称为权重(weight)。

（二）模型表示：符号表示

$s_j$：第$j$层节点数
$a^{(j)}_i$：第$j$层的第$i$个神经元/单元输出的值，称作激励(activation)
$\Theta^{(j)}$：参数/权重矩阵，它控制了从第$j$层各个单元到第$j+1$各个单元的映射

$\Theta^{(j)}$的维度为$s_{j+1}\times (s_j+1)$。
下图中，从输入层的三个单元到隐藏层的三个单元的参数矩阵为$\Theta^{(1)}$，它是一个3x4的矩阵，因为第一层还有一个没有绘制出来的偏置单元。$\Theta^{(1)}_{10}$表示映射到第二层第1个单元时，输入层偏置单元前的参数。

（三）模型表示：前向传播算法(forward propagation)的向量化表示

前向传播(forward propagation)是一种从输入层到隐藏层，再从隐藏层到输出层的过程，前向传播的角度有助于我们理解神经网络的原理。
首先，从输入层到隐藏层。$\Theta^{(1)}$是一个3x4的矩阵，x是一个4x1的列向量，它代表了包含偏置单元在内的全体特征向量的特征值。为了符号表示的一致性，我们用$a^{(1)}$替代x。定义额外项$z^{(2)}=\Theta^{(1)}a^{(1)}$，它是一个3x1的列向量，将其输入激励函数$g(z)$，即可得到隐藏层三个单元的激励值。
得到新的特征项$a^{(2)}$后，我们把它作为新的输入，来计算输出层的激励。需要注意的是，我们需要人工加上偏置单元，使$a^{(2)}$变为一个四维变量。接下来的计算步骤和前面相同。最后得到的$a^{(3)}$就是模型的输出$h_\Theta(x)$，根据我们对逻辑函数的了解，我们知道这是一个介于0~1间的实数。

（四）模型表示：神经网络的其他架构

神经网络有多种架构，前面提到的是最简单的一种，它只有一层隐藏层。下面展示了一个四层的神经网络，它有两层隐藏层，其计算也会更加复杂。