【机器学习】李宏毅 - 03 神经网络优化

学习总结

神经网络训练优化思维导图

Critical Point

定义：梯度（Gradient）为0的点。

Loss没有办法再下降，可能卡在了Critical Point：局部最小值（local minima）或鞍点（saddle point）。

局部最小值（local minima）

卡在局部最小，则没有路可以走了。

鞍点（saddle point）

卡在鞍点，则旁边还是有路可以走。

判断标准

考察$\theta$附近损失函数的梯度 $\to$ 泰勒展开 $\to$ 海塞矩阵$H$

概念

第一项中，当$\theta$和${\theta }^{{}^{\prime }}$很接近的时候， $L({\theta }^{{}^{\prime }})$和$L(\theta )$很接近。

第二项中，$g$是一个向量，代表梯度（一阶导数），可以弥补$L({\theta }^{{}^{\prime }})$和$L(\theta )$之间的差距；$g$的第$i$个component，就是$\theta$的第$i$个component对$L$的微分。

第三项中，$H$表示海塞矩阵，是$L$的二次微分/二阶导。

在Critical Point附近时，需考察$H$的特征值

第二项为0，需要根据第三项来判断，考察$H$的特征值。

1. 当所有的eigen value都是正的，$H$是正定矩阵（positive definite），此时是局部最小值。
2. 当所有eigen value都是负的，$H$是negative definite，此时是局部最小值。
3. 当eigen value有正有负，那就是鞍点。

实例1

方法一：倒搜所有参数，得到所有loss的值，画出的Error Surface。

方法二：直接计算出一个点是局部最小还是鞍点。

1. 一阶导为0 $\to$ 确定critical point

   

2. 计算Hessian矩阵

3. 观察$H$的特征值正负

卡在鞍点时，$g$为0，可以利用$H$的特征向量确定参数更新方向

步骤：

1. 找出负的特征值（eigen value）。
2. 找出对应的特征向量（eigen vector）$u$。
3. 把特征向量$u$加上${\theta }^{{}^{\prime }}$，即沿着$u$的方向更新，就可以找到一个新的点$\theta$，这个点的loss比原来还要低。

实例2

注意：该方法需要算Hessian矩阵，计算量大，实际操作中很少用到。

局部最小值（Local Minima）比鞍点（Saddle Point）少得多

Loss在一个高维空间中，往往只会遇到鞍点，几乎不会遇到局部最小值点 $\to$ 从上图中可见，正特征值的数目最多只占所有特征值的60%，说明剩余40%的维度都仍然“有路可走”，可以让loss下降。

批次（Batch）与动量（Momentun）

总结：Small Batch size and momentum can help escape critical points.

Review：Optimization with Batch （Task2 05）

• 在更新参数时，我们拿 大B项样本数据 ，计算Loss和Gradient。
• 所有的Batch看过一遍，叫做一个Epoch。
• Shuffle：每个Epoch开始前会重新分一次batch，每一个Epoch的batch都不一样。

Small Batch v.s. Large Batch

基本现象

• 左边的情况中，必须把20个样本数据遍历一遍后，我们的参数才能更新一次。

  蓄力时间长（是这样吗？学下去！），但是威力比较大

• 右边的情况中，只需要一个样本数据就能更新一次参数。显而易见，用一个样本计算出的loss，是比较有噪声（ Noisy ）的，所以更新的方向是曲曲折折的。

  技能冷却时间短（是这样吗？学下去！），但威力不准

时间性能

考虑并行计算（Parallel computing）时，Large Batch花费的时间不一定比较长。除非batch size过于庞大。

现象

• Batch Size从1到1000所需时间几乎一致。
• 增加到10000，乃至60000时，一个Batch所需时间随着Batch Size的增加而增长。

原因

• GPU可以做并行运算，所以1000个样本数据所需时间，并不是一个样本的1000倍。
• GPU平行运算能力有极限，当Batch Size真的非常巨大时，GPU跑完一个Batch计算出Gradient所需时间，还是会随Batch Size的增加而增长。

对总时间的影响

因为有平行运算的能力，所以当 Batch Size 小 的时候， 跑完一个Epoch花的时间比大的Batch Size还要多 ；反之， 大的Batch Size情况下，跑完一个Epoch花的时间反而少 。

那么Large Batch威力大，有了并行计算的加持后，运行时间又少，是不是百利无一害呢？

答案不然。我们看以下两张图，可以发现在Large Batch的情况下，预测精确度会随着Batch Size增大而降低。

• Smaller batch size has better performance.
• “Noisy” update is better for traning.
• What’s wrong with large batch size? Optimization issue.

结论

结论1: 使用较小的Batch Size，在更新参数时会有Noisy $\to$ 有利于训练

​ 使用Small Batch时，不同的Batch求得的Loss略有差异，当L1落入局部最小值卡住时，L2可以继续训练。

结论2：使用较小的Batch Size，可以避免Overfitting $\to$ 有利于测试（Testing）

[On Large-Batch Training For Deep Learning,Generalization Gap And Sharp Minima] (https://arxiv.org/abs/1609.04836) 这篇 Paper 的实验结果

Training的时候都很好，Testing的时候，大的Batch对应的Testing结果差 ，代表 Overfitting 。

一种解释（尚待研究）

一个“峡谷里”的Local Minima是坏的极小值，而“平原上的”Local Minima是好的极小值。

把Training的Loss往右平移，对于一个在 平原上的minima 来说，它在Training和Testing上面的结果不会 差太多 ；对于在 峡谷里的minima 来说， 差别甚远 。

Large Batch会倾向于走入峡谷极小值，而Small Batch会倾向于走入平原极小值。

Large Batch顺着规定的方向更新参数，很有可能走入比较小的峡谷里。而Small Batch有多个Loss Function，每次更新方向不一样，如果峡谷很窄，可能会跳出这个峡谷最小值。

结论 3: BatchSize是一个需要调整的参数，它会影响训练速度与优化效果。

案例：综合考虑Large Batch的“高速”优势，和“较差”的优化结果。（鱼与熊掌）

动量（Momentum）

物理世界的动量，小球会有惯性越过critical point。

Vanilla Gradient Descent（一般的梯度下降）：只考虑梯度的方向，向反方向移动。

Gradient Descent + Momentum

理解：Momentum是一种改进梯度下降方向的策略，防止落入局部最小值。

综合梯度方向+前一步的方向

不是只看gradient的方向，而是会结合之前移动的方向来调整参数，相当于考虑之前所有梯度的总和。

自动调整学习速率（Adaptive Learning Rate）

1. Training stuck ≠ Small Gradient

当Loss不再下降时，不一定到达了Critical Point（梯度等于零），梯度可能仍然很大。

2. 应用固定的学习率时，即使是关于凸函数的 Error Surface 优化问题都很困难

• 大学习率：Loss在山谷的两端震荡而不会下降。
• 小学习率，前期坡度大、梯度大，前进快，后期坡度很小、梯度很小，几乎难以前进到最优值。
  
  结论：学习率要为每一个参数“客制化”。

基本原则

1. 某一个方向上梯度很小，非常平坦 $\to$ 调大学习率
2. 某一个方向上非常陡峭，坡度很大 $\to$ 调小学习率

考虑学习率的变化，更改梯度下降公式

根据参数的实际情况，调整${\sigma }_i^t$的大小，实现对参数${\theta }_i^{t+1}$的更新。

计算${\sigma }_i^t$的方式 ：计算从第一步到目前为止，所有梯度的均方根（Root Mean Square）。

这个方法应用于 Adagrad 中。

• 优点：对于比较平坦的参数，梯度小，算出$\sigma$小，学习率就大；对于比较陡峭的参数，梯度大，算出$\sigma$大，学习率就小。
  

• 缺点：不能实时考虑梯度的变化。
  

所以我们希望学习率可以动态调整，使用 RMSProp 方法。

RMSProp

添加参数$\alpha$，越大说明过去的梯度信息 越重要 。

$\alpha$设很小，趋近于0时，就代表这一步算出的梯度相较于之前算出的梯度而言更重要。

$\alpha$设很大，趋近于1时，就代表这一步算出的梯度没有之前的重要。

最常用的策略：Adam=RMSProp + Momentum

Learning Rate Scheduling

让学习率与时间有关。

Learning Rate Decay

随着时间不断前进，参数不断更新， 学习率越来越小 。

理解：因为我们一开始距离终点很远，随着我们离终点越来越近，就把学习率减小，让参数更新慢下来。

Warm up

让 学习率先变大后变小 。

理解：$\sigma$是一个统计的结果，只有数据越多才越精准。一开始学习率比较小，可以收集一些有关error surface的情报，并且限制参数不会离初始地方太远；等到$\sigma$统计得比较精准以后，再让学习率慢慢爬升。

总结

1. 使用动量，考虑过去梯度的大小与方向。
2. 引入$\sigma$，考虑过去梯度的大小 （RMS）。
3. 使用Learning Rate Schedule。

批次标准化（Batch Normalization）简介

因为Error Surface崎岖的时候比较难训练，我们之前介绍的 自适应学习率 的方法，相当于是在难走的山路周围开辟一条路。那么有没有可能直接“铲平”崎岖的山脉⛰️呢？

Changing Landscape

情况1: $x_1$的值很小时，当权重参数$w_1$有一个很小的变化，此时对$y$的影响很小，从而对损失Loss的影响也较小。

情况2: $x_2$的值很大时，当权重参数$w_2$有一个很小的变化，也会因为乘上了大数值$x_2$而对$y$的影响很大，从而使得$e$变化很大，即对Loss的影响也很大。

结论

不同维度（Dimension）的输入值，大小的尺度（Scale）差距很大时，就可能产生在不同方向上，斜率、坡度非常不同的Error Surface。

解决方法：Feature Normalization

给不同的 dimension同样的数值范围 $\to$ Feature Normalization（特征归一化）

假设$x^1$到$x^R$是我们所有训练资料的特征向量，全部集合起来，对 同一个维度 中不同笔资料的特征值进行归一化。

优点：

做完归一化之后，这个维度上的平均数值为0，方差为1，所以这排数值的分布在0上下。同样地，对每一个维度都做一样的归一化，就会发现所有特征在不同维度上的数值都在0左右，可以做出比较平坦的error surface，对训练有帮助，可以让梯度下降的收敛更快。

深度学习中的应用

值得注意的是，对于$W^2$来说，$a^1$到$a^3$、$z^1$到$z^3$其实也是另一种输入。这是因为当${\tilde{x}}^1$经过$W^1$矩阵后,$a^1,z^1$数值的分布各维度仍然有很大的差异,要训练第二层的参数$W^2$,也会有困难，所以需要对$a$或$z$（也是一种特征值）进行归一化。

通常而言，归一化放在激活函数之前或者之后都是可以的。

如果选择Sigmoid，则推荐对$z$做特征归一化，因为Sigmoid函数在0附近的斜率比较大，把所有值挪到0附近再计算梯度，算出的值会比较大。

具体计算步骤

1. 把$z$视作特征向量，分别取出对应的元素$z^1,z^2,z^3$，计算平均值和标准差，求得向量$\mu ,\sigma$。
   

2. 对每个向量$z$，利用$\mu ,\sigma$对对应的元素进行归一化，得到$\tilde{z}$.
   

3. 继续后续的步骤。

理解：对一批$z$数据进行归一化 $\to$ “网络”模型变为能够一次处理“一批$x$数据”的模型，计算$\mu ,\sigma$，然后产生“一堆输出”，这时数据之间相互关联。

那么如何处理上百万笔数据资料呢？考虑使用有限数量的数据 $\to$ 批次标准化（Batch Normalization）。

批次标准化（Batch Normalization）

定义：考虑一个batch内的数据做normalization，近似使用整个数据集。

适用场景：batch size比较大的时候，这时的数据可以认为足以表示整个数据集的分布，从而对整个数据集做Feature Normalization与在一个batch中做Feature Normalization是近似的。

显而易见，当我们做完标准化操作后，$\tilde{z}$的平均一定是0，可以看作是给这个神经网络的一些限制，这种限制可能会造成负面影响，所以我们要进行 恢复 操作，让模型另外学习参数$\gamma ,\beta$，使得原本被归一化的数据恢复到某一分布。

引入$\gamma ,\beta$还原归一化后的数据

1. 初始值：将$\gamma$设为全是1的向量，$\beta$设为全为0的向量。
2. 让每一个维度的分布在刚开始训练时是比较接近的。
3. 训练一段时间后，找到一个较好的error surface，再把参数值慢慢加进去。

Testing（inference）时没有Batch进行标准化/归一化 $\to$ 训练时会找到$\bar{\mu },\bar{\sigma }$

问题 ：在做作业时我们有完整的训练数据，可以分batch来计算均值和标准差。但是在实际的online project中，数据不是一下子可以提供完整的，这时我们不能说等待一个batch（比如说是batchsize=64）64笔数据资料都上传了才开始计算，而是要从一开始就计算。那么这个时候的均值和标准差如何计算？

解决方法 ：在训练的时候，每一个batch计算出来的均值和标准差，都会拿出来计算移动平均数（moving average）。p是超参数，需要自己定义。

分类问题的损失函数

把分类（Classification）当作回归（Regression）来看

假设Class 1是编号1，Class 2是编号2，Class 3是编号3，希望模型的输出$y$可以和Class的编号越接近越好。

以上的假设背后隐含着：Class 1和Class 2比较接近，Class 1和Class 3比较远。如果类别之间有某种联系，假设可能成立；如果类别之间没有特定关系，那么假设是错误的。因此我们引入第一节提到的 one-hot vector 。

Class as one-hot vector

此时任意两个分类的距离都相同。我们根据上述向量的表示形式，来产生多个数值。

Classification with softmax

我们的目标只有0和1，但$y$可能是任意值，因此我们使用 softmax把$y$归一化，使之介于0到1之间 ，这样便于跟label计算相似度。

Soft-max内部运作模式

通过计算：

• 输出值变成介于0和1之间的数
• 输出值的和是1
• 原本大数值和小数值之间的 差距变得更大

Soft-max的输入经常称之为 Logit 。

关于二分类问题

使用sigmoid和使用softmax是等价的，同一件事情。

分类的损失函数

优化目标

减小$\hat{y}$和$y^{{}^{\prime }}$之间的差距$e$。

计算方法

交叉熵（等价于最大似然估计，见南瓜书）比均方差更适用于分类问题。

💡在Pytorch中，softmax被内建在Cross-enrtopy损失函数中。

举例

左上角loss大，右下角loss小，所以目标是从左上角走到右下角。

假设我们都从左上角开始，

Cross-entropy ：左上角有斜率，可以透过梯度，一路往右下角走。更易收敛。

MSE ：MSE在loss大的地方非常平坦，梯度趋近于零，最后stuck卡住！难以优化。

结论

改变损失函数，可能影响训练的过程。