Deep Learning for Nature Language Processing --- 第六讲

Overview Today:

一些有用的策略和技巧：

1.多任务学习（multi-task learning）

2.非线性函数（Nonlinearities）

3.检查求导是否正确（gradient check）

4.Momentum,AdaGrad

语言模型（Language Model）

RNN

Multi-­task learning / Weight sharing

和上一章节提到的NN类似，不过在Multi-­task learning中，最后一层由一个scalar变成了softmax 分类器（训练时利用反向传播，获取错误流error）：

其实和训练softmax（前面讲过）差不多，只不过对于deep learning的模型来讲，输入x也经过了训练，转换成activation。

Main Idea：可以共享两个模型中，hidden layer对应的权重，和word vectors（即输入）。而只训练顶层的softmax分类器(总的cost function就是两个模型的交叉熵之和):

下图说明在NLP中，word vector的pre-training是一个很重要的因素：

General Strategy for Successful NNets

1.选择合适的模型结构：

1）结构：单个词（single word），加窗（fixed window），bag of bags， recursive VS recurrent，CNN，基于句子还是基于文档（sentence based VS document）

2）非线性函数的选择

2.使用gradient check的方法检查是否存在bug

3.参数的初始化

4.优化的策略

5.检查模型对数据集是否过拟合（overfit）：

1）如果没有，改变模型结构，让模型更“大”

2）如果有，进行regularization。

Non-­‐lineariHes: What’s used

 

对于深度学习模型，tanh函数通常比sigmoid函数表现的要更好：

1）使用tanh函数时，模型参数的初始化值更趋向于0

2）更快达到收敛

3）求导方便：f’(z)=1-tanh²(z)

还有其他的非线性函数可供选择：

对于非线性函数的选择，还有一种maxout network：

Gradient Checks

步骤：

1）完成求导

2）完成下面这个函数，通常 ϵ  为10e^-4：

3）比较求导函数和上图函数的结果，看结果是否相近。

如果求导出错，又不知道该如何解决。那么试着先简化你的模型。可以按照以下步骤一步步的构建你的模型：

1）只有固定的输入和softmax（单个unit）分类器

2）对word vector和softmax进行反向传播求导

3）增加一个hidden层，只包括一个hidden unit

4）一个hidden layer中包括多个hidden unit

5）增加偏置bias

6）再增加一个hidden layer

7）增加两个softmax层的unit

Parameter Initialization

将hidden layer的bias初始化为0.

权重W的初始化（对于非线性函数tanh）：将W的参数大小限制在（-r，r）之间。其中r的大小由下面的公式决定（fan-in为上一个hidden layer的大小，fan-out为下一hidden layer的大小）：

 
而如果使用sigmoid函数，则需要在此基础上乘以4

Stochastic Gradient Descent (SGD)

SGD每一层更新权值时，只取一个或一部分的training set：

对于大的数据集，SGD通常表现的比所有的batch method要好。而对于更小一点的数据集，像 L-BFGS和CG的一些batch methods表现的要比SGD好。

Learning Rates

最简单的用法：对于所有的参数，一直都保持固定不变。

让学习率（learning rates）递减会有更好的效果：

可以使用一些不用设置学习率的算法包：如L-FBGS，AdaGrad。

AdaGrad（Adaptive learning rates）：学习率（learning rates）会根据不同参数发生改变。就word vector而言，使用AdaGrad的时候，对于少出现的词的word vector，其学习率会比频繁出现词的word vector更大。也就是说少出现的词的word vector会得到更大的更新率：

 
因为公式里面每一次迭代的梯度会除以历史梯度之和。也就是说历史上更新太多次之后，接下来就要打折扣了。历史上很少更新，那么每一次更新都会被重视。但是这相当于修改了梯度，是否还能收敛到原来的极值是一个问题，所以结果可能会有偏差。

Long-­‐Term Dependencies and Clipping Trick

对于RNN这种结构很深的网络模型，每一次的梯度计算都会联系到之前的计算（连锁效应），所以梯度最后会变得非常大或者非常小，从而导致梯度下降崩溃。Mikolov提出了一个clip gradients to a maximum value的思想（直接对梯度进行修改，但是这相当于修改了目标函数，是否还能收敛到原来的极值还是一个问题，所以结果可能会有偏差。而类似dropout那些则没有对梯度进行修改），这对RNN模型有很大的影响。

Prevent overfiting: Model Size and Regularization

简化模型，比如减少hidden layer层数或曾每层的的unit数

使用L1或者L2范式对权值W进行regularization

Early Stopping：选择使cv set错误率小的模型参数

对hidden layer层的activation进行稀疏性限制：

Prevent Feature Co-­‐adaptation

Dropout：

1）训练时：使用SGD时，对于每一个训练样本，随机的将输入层的50%unit设置为0

2）测试时（test time）：将权重W的值减半

3）naive bayes里每个参数都是独立的，naive假设。但是logistic回归，其实也应该包括神经网络一大类，参数之间是交错融合的。dropout是想在两者之间用随机硬切断的方式，取一个平衡点。

4）比如输入x1,x2,x3。参数w1,w2,w3。当随机x2为0时，就成了w1x1+w3x3。在这一次输入中，w1,w3就和w2没有交叉了

5）可以作为regularization工具来使用

Deep Learning Tricks of the Trade

无监督的pre-training

SGD和learning rate

各类主要参数的设定：

1）学习率&early stopping

2）小批度minibatch

3）参数的初始化

4）hidden units的数量

5）L1和L2范数的weight decay

6）稀疏性限制和regularization

如何有效率的设置模型的各个主要参数？随机设置！

参考：Y.Bengio(2012),“Practical Recommendations for Gradient-­‐Based Training of Deep Architectures”

Language Models

语言模型中计算一系列单词相关的概率：P（w₁,…,w_T）：

根据前m-1个词计算前m个词的概率

传统的针对语言模型的神经网络：

 
训练时只能是固定不变的context window size

Recurrent Neural Networks!

训练时，在每个时间点 （time step）上将word vector与对应的weight一起放进模型训练：

 

h₀是第0个hidden layer的初始化向量

x_【t】是在time step为t时，word vector矩阵L中对应的一个项向量（即其中的一个word vector）：

对于顶层的y：

 
是整个词库的概率分布（预测的是单词），交叉熵不变：