深度学习的三个步骤
我们都知道机器学习有三个step,对于deep learning其实也是3个步骤:
Step1:神经网络(Neural network)
里面的节点,类似我们的神经元。
其中每个逻辑回归都有自己的权重和自己的偏差,这些权重和偏差就是参数。
那这些神经元都是通过什么方式连接的呢?其实连接方式都是你手动去设计的。
当输入0和0时,则得到0.51和0.85,所以一个神经网络如果权重和偏差都知道的话就可以看成一个函数,他的输入是一个向量,对应的输出也是一个向量。不论是做回归模型(linear model)还是逻辑回归(logistics regression)都是定义了一个函数集(function set)。我们可以给上面的结构的参数设置为不同的数,就是不同的函数(function)。这些可能的函数(function)结合起来就是一个函数集(function set)。这个时候你的函数集(function set)是比较大的,是以前的回归模型(linear model)等没有办法包含的函数(function),所以说深度学习(Deep Learning)能表达出以前所不能表达的情况。
全链接和前馈的理解
输入层(Input Layer):1层
隐藏层(Hidden Layer):N层
输出层(Output Layer):1层
为什么叫全链接呢?
因为layer1与layer2之间两两都有连接,所以叫做Fully Connect;
为什么叫前馈呢?
因为现在传递的方向是由后往前传,所以叫做Feedforward。
为什么叫深度学习
那什么叫做Deep呢?Deep = Many hidden layer。
随着层数变多,错误率降低,随之运算量增大,通常都是超过亿万级的计算。对于这样复杂的结构,我们一定不会一个一个的计算,对于亿万级的计算,使用loop循环效率很低。
这里我们就引入矩阵计算(Matrix Operation)能使得我们的运算的速度以及效率高很多:
矩阵计算
如下图所示,输入是
计算方法就是:sigmoid(权重w【黄色】 * 输入【蓝色】+ 偏移量b【绿色】)= 输出
接下来有几个FAQ:
多少层? 每层有多少神经元?
这个问我们需要用尝试加上直觉的方法来进行调试。对于有些机器学习相关的问题,我们一般用特征工程来提取特征,但是对于深度学习,我们只需要设计神经网络模型来进行就可以了。对于语音识别和影像识别,深度学习是个好的方法,因为特征工程提取特征并不容易。
结构可以自动确定吗?
有很多设计方法可以让机器自动找到神经网络的结构的,比如进化人工神经网络(Evolutionary Artificial Neural Networks)但是这些方法并不是很普及 。
我们可以设计网络结构吗?
可以的,比如 CNN卷积神经网络(Convolutional Neural Network )
Step2:模型评估(Goodness of function)
损失示例
对于模型的评估,我们一般采用损失函数来反应模型的好差,所以对于神经网络来说,我们采用交叉熵(cross entropy)函数来对y和y^ 的损失进行计算,接下来我们就是调整参数,让交叉熵越小越好。
总体损失
对于损失,我们不单单要计算一笔数据的,而是要计算整体所有训练数据的损失,然后把所有的训练数据的损失都加起来,得到一个总体损失L。接下来就是在function set里面找到一组函数能最小化这个总体损失L,或者是找一组神经网络的参数\thetaθ,来最小化总体损失L
Step3:选择最优函数(Pick best function)
如何找到最优的函数和最好的一组参数呢,我们用的就是梯度下降
具体流程:θ是一组包含权重和偏差的参数集合,随机找一个初试值,接下来计算一下每个参数对应偏微分,得到的一个偏微分的集合∇L就是梯度,有了这些偏微分,我们就可以不断更新梯度得到新的参数,这样不断反复进行,就能得到一组最好的参数使得损失函数的值最小
反向传播
在神经网络中计算损失最好的方法就是反向传播,我们可以用很多框架来进行计算损失,比如说TensorFlow,theano,Pytorch等等
- 损失函数(Loss function)是定义在单个训练样本上的,也就是就算一个样本的误差,比如我们想要分类,就是预测的类别和实际类别的区别,是一个样本的,用L表示。
- 代价函数(Cost function)是定义在整个训练集上面的,也就是所有样本的误差的总和的平均,也就是损失函数的总和的平均,有没有这个平均其实不会影响最后的参数的求解结果。
- 总体损失函数(Total loss function)是定义在整个训练集上面的,也就是所有样本的误差的总和。也就是平时我们反向传播需要最小化的值。
取出一个Neuron进行分析
计算
∂
z
/
∂
w
∂z/∂w
∂z/∂w(Forward pass的部分)
计算
∂
l
/
∂
z
∂l/∂z
∂l/∂z ( Backward pass的部分 )