多层感知机与深度学习算法概述

多层感知机与深度学习算法概述

读研之前那会儿我们曾纠结于机器学习、深度学习、神经网络这些概念的异同。现在看来深度学习这一算法竟然容易让人和他的爸爸机器学习搞混…可见深度学习技术的影响力之大。深度学习，作为机器学习家族中目前最有价值的一种算法，正在悄悄改变着世界以及我们生活。

本本我们就要搞清楚【深度学习】到底是什么？有哪些技术细节？

1. 多层感知机

图1 多层感知机拓扑结构

对于单层神经网络，人们担心它表达能力不足，于是参照仿生结构，想到了带有隐层的神经网络。所有隐藏都可以看成对输入的再次表示，最后的输出层则是一个单层线性神经网络。

2. 从多层感知机到深度学习

2.0 多层感知机的局限

$$\begin{gathered} H=X{W}_1+b_1 \\ O=H{W}_2+b_2\text{\hspace{1em}(2-1)} \end{gathered}$$

这是具有单隐层神经网络的输入输出关系。w1、w2、b1、b2分别是隐层、输出层的权重和偏置。这看似参数量比单层神经网络要多，模型的拟合能力应该更好？但如果稍加推导可以发现：
$$\begin{gathered} O=((X{W}_1+b_1)W_2)+b_2 \\ =X{W}_1{W}_2+b_1{W}_2+b_2 \\ =X{W}_3+b_3\text{\hspace{1em}(2-2)} \end{gathered}$$
简单的推导可以发现，没有引入非线性单元的多层感知机，就是一个“多层感知鸡”（鸡肋的鸡）。完全可以等效成单层神经网络啊！

那怎么办呢？引入非线性单元啊：每层的输出经过非线性函数后再传给下一层，就没法通过(2-2)的推导转化成单层了。多层感知机+非线性单元——这就是几乎所有深度学习的最基本结构。

2.1 层

• **输入层：**输入层神经元个数必须和输入特征数一致。
• **隐藏层：**隐藏层神经元个数一般多于输入层神经元个数，以起到升维映射的作用，可以更好的提取特征。
• **输出层：**神经元个数应该等于预期输出数目。还可以根据任务不同加上一些激活函数来限制网络输出的值（比如分类问题的softmax）。一般来说，输出层为【全连接层】，全连接层意味着所有的神经元都将由权重建立连接。而输入层和隐藏层一般不是全连接层（比如对于CV这种输入特征非常多的任务）。

当然了，【层，layer】这一概念肯定不止上面3个，但上面3个是所有神经网络共有的层。深度学习发展历程中还出现了一些有关“层”的trick，比如最经典的 卷积层、归一化层、Dropout层等等。。。这些将在深度学习trick中统一梳理。

2.2 块

2.3 非线性单元（激活函数）

激活函数有很多种，但比较常用的就这三种，从此搞明白激活函数的概念。

• ReLU（Rectified linear unit）：

  这是目前最常见的激活函数，可能99%的情况都用这个，因为它能很好的克服反向传播梯度消失的问题。
  $$ReLU(x)=max(x,0)\text{\hspace{1em}(2-3)}$$
  
  图2 ReLU函数图像

  它的导数什么样很好想象吧，就不画了。有一个小小的问题，x=0时不可导啊？没关系 不差这一个点了，因为权重不可能恒等于0，所以我们令x=0处的导数为0即可。

• Sigmod：

  在ReLU出现之前，这是最常用的激活函数，但是因为其计算有些复杂，影响训练测试速度；更重要的是其会导致梯度消失问题，导致网络层数无法加深。所以现在几乎不咋用这个了。
  $$sigmod(x)=\frac{1}{1+e^{-x}}\text{\hspace{1em}(2-4)}$$
  
  图3 Sigmod函数图像

  导数什么样也很好想象吧…就是中间大，两头小，类似正态分布…

• Tanh：

  这就是Sigmod函数的极端版，更类似阶跃函数（其实阶跃函数才是最具有仿生意义的）。
  $$Tanh(x)=\frac{1-e^{-2x}}{1+e^{-2x}}\text{\hspace{1em}(2-5)}$$
  
  图4 Tanh函数图像

导数就。。更尖了。
这里没提softmax，softmax看上去是一种非线性单元，但其实可以证明还是起到线性的作用，之前讲过，这里省略了。

2.4 数据集

当你要从零开始做一个预测任务时（可能是CV/NLP，可能是det、seg、ocr…），**你最应该关注的并不是作为算法核心的模型，而是数据。**巧妇难为无米之炊，再nb的模型，没有高质量、高数量的数据，也不会有更好的效果，反而有更差的效果。数据与模型的关系在[2.5]节中讨论。

对于成熟的深度学习搭建框架，一般会把数据集分成三类：

训练集（train dataset）、验证集（validation dataset）、测试集（test dataset）。

然而为了省事，验证集和测试集一般设置成一样的，这一点影响不大。但是你最好应该分清楚训练、验证、测试这3个过程，特别是验证和测试的区别：

验证：在训练过程中，每n个epoch跑一次验证集的数据，进行一次验证，用来观察当前选取模型（网络+超参数）的拟合能力和泛化能力。

测试：在完全完成训练之后，最终跑一次测试集数据，用来评估模型训练的最终结果。

2.4 训练与推理

训练和推理是深度学习（也是大部分机器学习算法）最基本的两个动作。

• 训练过程：一次正向传播（forwad）+一次反向传播（backward），为一次迭代（iteration）；一次迭代使用的数据叫一个批量（batch）；对训练集全部数据完整迭代过一次，称为一个周期（epoch）。
• 推理过程：比训练过程简单很多，一般来说推理的批量为1，即一次只推理一个数据。推理过程只包括一次正向传播，不需要记录梯度。

以下过程我们按只有一个隐藏层的多层感知机来推导。

网络模型：输入x，标签y，隐藏层前具有一个激活函数φ，输入层参数W1，隐藏层参数W2，输出o，损失函数l，正则项s。

2.4.1 正向传播

沿网络输入，逐层计算到网络输出、目标函数。

1. 输入层输出：
   $$z=W_{1}x\text{\hspace{1em}(2-6)}$$

2. 激活函数输出：
   $$h=\phi (z)\text{\hspace{1em}(2-7)}$$

3. 输出层输出：
   $$o=W_{2}h\text{\hspace{1em}(2-8)}$$

4. 损失：
   $$L=l(o,y)\text{\hspace{1em}(2-9)}$$

5. 正则项：
   $$s=\frac{\omega }{2}(||W_1|{|}_2^2+||W_2|{|}_2^2)\text{\hspace{1em}(2-10)}$$

6. 目标函数：
   $$J=L+s\text{\hspace{1em}(2-11)}$$

2.4.2 反向传播

反向传播需要计算目标函数关于各个层参数的梯度（偏导），由于多层感知机的拓扑结构，只能从目标函数到损失函数、到输出、到隐藏层。。。到输入，从后向前地计算各层的梯度。

1. 参照(2-11)、(2-9)计算目标函数关于输出o的梯度：
   $$\frac{\partial J}{\partial o}=prod(\frac{\partial J}{\partial L},\frac{\partial L}{\partial o})=\frac{\partial L}{\partial o}\text{\hspace{1em}(2-12)}$$
   J对于L的偏导明显是1，不解释吧…

2. 参照(2-10)计算正则项关于W1、W2的梯度：
   $$\begin{gathered} \frac{\partial s}{\partial W_1}=\omega W_1 \\ \frac{\partial s}{\partial W_2}=\omega W_2\text{\hspace{1em}(2-13)} \end{gathered}$$

3. 参照(2-11)、(2-8)计算目标函数关于隐层参数W2的梯度：
   $$\begin{gathered} \frac{\partial J}{\partial W_2}=prod(\frac{\partial J}{\partial o},\frac{\partial o}{\partial W_2})+prod(\frac{\partial J}{\partial s},\frac{\partial s}{\partial W_2}) \\ =\frac{\partial L}{\partial o}{h}^T+\omega W_2\text{\hspace{1em}(2-14)} \end{gathered}$$
   同样，J对s的偏导是1

4. 参照(2-8)计算目标函数关于隐藏变量h的梯度：
   $$\frac{\partial J}{\partial h}=prod(\frac{\partial J}{\partial o},\frac{\partial o}{\partial h})=W_2^T\frac{\partial L}{\partial o}\text{\hspace{1em}(2-15)}$$

5. 参照(2-7)反向穿过激活函数φ计算目标函数关于输入层输出z的梯度：

$$\frac{\partial J}{\partial z}=prod(\frac{\partial J}{\partial h},\frac{\partial h}{\partial z})=\frac{\partial J}{\partial h}\cdot {\phi }^{{}^{\prime }}(z)\text{\hspace{1em}(2-16)}$$

​ 这里的’.'是向量内积，因为激活函数是逐元素计算的，这里计算梯度要用向量内积。

6. 最后，我们可以得出目标函数关于W1的梯度：
   $$\begin{gathered} \frac{\partial J}{\partial W_1}=prod(\frac{\partial J}{\partial z},\frac{\partial z}{\partial W_1})+prod(\frac{\partial J}{\partial s},\frac{\partial s}{\partial W_1}) \\ =\frac{\partial J}{\partial z}{x}^T+\omega W_1\text{\hspace{1em}(2-17)} \end{gathered}$$

7. 至此我们就求出了该多层感知机的所有权重梯度。按(2-14)、(2-17)引用优化器策略更新权重即可。

2.5 过拟合与欠拟合

过拟合与欠拟合表示模型在经过训练后的状态，但这种状态与数据情况、模型情况都紧密相关。

图5 过拟合与欠拟合

这两种状态直观上可由训练损失与泛化损失界定；背后由模型复杂度和数据规模决定。

直观上：

当泛化损失大于训练损失时，我们就可以称模型此时在该数据集上处于过拟合状态；

当训练损失处于较大时，我们可以称模型此时在数据集上处于欠拟合状态。

背后：

当模型复杂度（参数规模）越高、数据集规模越小，越容易处于过拟合状态。

当模型复杂度（参数规模）越低、数据集规模越大，越容易处于欠拟合状态。

关于此的一些讨论：

1. 所以你现在知道当你的模型处于欠拟合和过拟合时应该怎么做了吧，是调整模型，还是调整数据？
2. 欠拟合一定是一件坏事，宁可过拟合也不要欠拟合。
3. 换个角度看过拟合，模型过拟合了，那一定效果就很差吗？不一定，可能只是泛化损失略高于训练损失，但泛化损失并没有太大，模型也能有非常好的效果（只是离最佳状态稍微过火了一点点）。因此，宁可略微过拟合，也不要欠拟合。
4. 过拟合一定是坏事吗？表面看上去是的，模型泛化能力不佳，应用时可能就会出问题。但！万一有一种数据集，可以保证它的分布和隐含的数据总体分布一致呢？比如NLP领域的预训练，就是要在预训练数据上让模型达到过拟合状态，因为人类的文字和语言意义就是那些，学完了就了事了。但CV领域并不是这样，似乎很难有某种数据集能和世间图像数据的总体分布达到一致，这也是CV领域预训练技术的难题之一。

总结

本文试图：

1. 从多层感知机的问题出发，引出深度学习算法。
2. 对深度学习算法的基本组成介绍明白。
3. 深度学习实现效果的总体评价方法做一个介绍。

诚然，时至今日 深度学习是一个较大的计算机科学领域了。深度学习领域又可以分为若干小领域。

按应用场景分：CV、NLP、数据分析…（每个应用场景又分出好多细分领域…）

按算法分：CV的卷积神经网络、NLP的transformer/注意力机制、强化学习…（每个算法也有若干细分算法，适用于各种应用场景）

那么多场景，那么多算法；可能对于每个深度学习从业个体而言 不论是做科研还是工程，第一件要做的事情就是搞清楚自己的细分应用场景+适用的几种算法。以此为中心，向下深挖、向周围辐射，加自己在深度学习领域的认识深度和广度，更好地体会深度学习对我们生活的影响和改变。