深度神经网络(DNN)损失函数和激活函数的选择

http://www.cnblogs.com/pinard/p/6437495.html

    在深度神经网络(DNN)反向传播算法(BP)中,我们对DNN的前向反向传播算法的使用做了总结。里面使用的损失函数是均方差,而激活函数是Sigmoid。实际上DNN可以使用的损失函数和激活函数不少。这些损失函数和激活函数如何选择呢?下面我们就对DNN损失函数和激活函数的选择做一个总结。

1. 均方差损失函数+Sigmoid激活函数的问题

    在讲反向传播算法时,我们用均方差损失函数和Sigmoid激活函数做了实例,首先我们就来看看均方差+Sigmoid的组合有什么问题。

    首先我们回顾下Sigmoid激活函数的表达式为:

σ(z)=11+ezσ(z)=11+e−z

    σ(z)σ(z)的函数图像如下:

    从图上可以看出,对于Sigmoid,当zz的取值越来越大后,函数曲线变得越来越平缓,意味着此时的导数σ(z)σ′(z)也越来越小。同样的,当zz的取值越来越小时,也有这个问题。仅仅在zz取值为0附近时,导数σ(z)σ′(z)的取值较大。

    在上篇讲的均方差+Sigmoid的反向传播算法中,每一层向前递推都要乘以σ(z)σ′(z),得到梯度变化值。Sigmoid的这个曲线意味着在大多数时候,我们的梯度变化值很小,导致我们的W,bW,b更新到极值的速度较慢,也就是我们的算法收敛速度较慢。那么有什么什么办法可以改进呢?

2. 使用交叉熵损失函数+Sigmoid激活函数改进DNN算法收敛速度

    上一节我们讲到Sigmoid的函数特性导致反向传播算法收敛速度慢的问题,那么如何改进呢?换掉Sigmoid?这当然是一种选择。另一种常见的选择是用交叉熵损失函数来代替均方差损失函数。

    我们来看看每个样本的交叉熵损失函数的形式:

J(W,b,a,y)=ylna(1y)ln(1a)J(W,b,a,y)=−y∙lna−(1−y)∙ln(1−a)

    其中,为向量内积。这个形式其实很熟悉,在逻辑回归原理小结中其实我们就用到了类似的形式,只是当时我们是用最大似然估计推导出来的,而这个损失函数的学名叫交叉熵。

    使用了交叉熵损失函数,就能解决Sigmoid函数导数变化大多数时候反向传播算法慢的问题吗?我们来看看当使用交叉熵时,我们各层δlδl的梯度情况。

δl=J(W,b,al,y)zl=y1al(al)(1al)+(1y)11al(al)(1al)=y(1al)+(1y)al=aly(1)(2)(3)(4)(1)δl=∂J(W,b,al,y)∂zl(2)=−y1al(al)(1−al)+(1−y)11−al(al)(1−al)(3)=−y(1−al)+(1−y)al(4)=al−y

    可见此时我们的δlδl梯度表达式里面已经没有了σ(z)σ′(z),作为一个特例,回顾一下我们上一节均方差损失函数时在δLδL梯度,

J(W,b,x,y)zL=(aLy)σ(z)∂J(W,b,x,y)∂zL=(aL−y)⊙σ′(z)

    对比两者在第L层的δLδL梯度表达式,就可以看出,使用交叉熵,得到的的δlδl梯度表达式没有了σ(z)σ′(z),梯度为预测值和真实值的差距,这样求得的Wl,blWl,bl的地图也不包含σ(z)σ′(z),因此避免了反向传播收敛速度慢的问题。

    通常情况下,如果我们使用了sigmoid激活函数,交叉熵损失函数肯定比均方差损失函数好用。

3. 使用对数似然损失函数和softmax激活函数进行DNN分类输出

    在前面我们讲的所有DNN相关知识中,我们都假设输出是连续可导的值。但是如果是分类问题,那么输出是一个个的类别,那我们怎么用DNN来解决这个问题呢?

    比如假设我们有一个三个类别的分类问题,这样我们的DNN输出层应该有三个神经元,假设第一个神经元对应类别一,第二个对应类别二,第三个对应类别三,这样我们期望的输出应该是(1,0,0),(0,1,0)和(0,0,1)这三种。即样本真实类别对应的神经元输出应该无限接近或者等于1,而非改样本真实输出对应的神经元的输出应该无限接近或者等于0。或者说,我们希望输出层的神经元对应的输出是若干个概率值,这若干个概率值即我们DNN模型对于输入值对于各类别的输出预测,同时为满足概率模型,这若干个概率值之和应该等于1。

    DNN分类模型要求是输出层神经元输出的值在0到1之间,同时所有输出值之和为1。很明显,现有的普通DNN是无法满足这个要求的。但是我们只需要对现有的全连接DNN稍作改良,即可用于解决分类问题。在现有的DNN模型中,我们可以将输出层第i个神经元的激活函数定义为如下形式:

aLi=ezLij=1nLezLjaiL=eziL∑j=1nLezjL

    其中,nLnL是输出层第L层的神经元个数,或者说我们的分类问题的类别数。

    很容易看出,所有的aLiaiL都是在(0,1) 之间的数字,而j=1nLezLj∑j=1nLezjL作为归一化因子保证了所有的aLiaiL之和为1。

    这个方法很简洁漂亮,仅仅只需要将输出层的激活函数从Sigmoid之类的函数转变为上式的激活函数即可。上式这个激活函数就是我们的softmax激活函数。它在分类问题中有广泛的应用。将DNN用于分类问题,在输出层用softmax激活函数也是最常见的了。

    下面这个例子清晰的描述了softmax激活函数在前向传播算法时的使用。假设我们的输出层为三个神经元,而未激活的输出为3,1和-3,我们求出各自的指数表达式为:20,2.7和0.05,我们的归一化因子即为22.75,这样我们就求出了三个类别的概率输出分布为0.88,0.12和0。

    从上面可以看出,将softmax用于前向传播算法是也很简单的。那么在反向传播算法时还简单吗?反向传播的梯度好计算吗?答案是Yes!

    对于用于分类的softmax激活函数,对应的损失函数一般都是用对数似然函数,即:

J(W,b,aL,y)=kyklnaLkJ(W,b,aL,y)=−∑kyklnakL

    其中ykyk的取值为0或者1,如果某一训练样本的输出为第i类。则yi=1yi=1,其余的jij≠i都有yj=0yj=0。由于每个样本只属于一个类别,所以这个对数似然函数可以简化为:

J(W,b,aL,y)=lnaLiJ(W,b,aL,y)=−lnaiL

    其中ii即为训练样本真实的类别序号。

    可见损失函数只和真实类别对应的输出有关,这样假设真实类别是第i类,则其他不属于第i类序号对应的神经元的梯度导数直接为0。对于真实类别第i类,它的WLiWiL对应的梯度计算为:

J(W,b,aL,y)WLi=J(W,b,aL,y)aLiaLizLizLiwLi=1aLi(ezLi)j=1nLezLjezLiezLi(j=1nLezLj)2aL1i=1aLi(ezLij=1nLezLjezLij=1nLezLjezLij=1nLezLj)aL1i=1aLiaLi(1aLi)aL1i=(aLi1)aL1i(5)(6)(7)(8)(9)(5)∂J(W,b,aL,y)∂WiL=∂J(W,b,aL,y)∂aiL∂aiL∂ziL∂ziL∂wiL(6)=−1aiL(eziL)∑j=1nLezjL−eziLeziL(∑j=1nLezjL)2aiL−1(7)=−1aiL(eziL∑j=1nLezjL−eziL∑j=1nLezjLeziL∑j=1nLezjL)aiL−1(8)=−1aiLaiL(1−aiL)aiL−1(9)=(aiL−1)aiL−1

    同样的可以得到bLibiL的梯度表达式为:

J(W,b,aL,y)bLi=aLi1∂J(W,b,aL,y)∂biL=aiL−1

    可见,梯度计算也很简洁,也没有第一节说的训练速度慢的问题。举个例子,假如我们对于第2类的训练样本,通过前向算法计算的未激活输出为(1,5,3),则我们得到softmax激活后的概率输出为:(0.015,0.866,0.117)。由于我们的类别是第二类,则反向传播的梯度应该为:(0.015,0.866-1,0.117)。是不是很简单呢?

    当softmax输出层的反向传播计算完以后,后面的普通DNN层的反向传播计算和之前讲的普通DNN没有区别。 

4. 梯度爆炸梯度消失与ReLU激活函数

    学习DNN,大家一定听说过梯度爆炸和梯度消失两个词。尤其是梯度消失,是限制DNN与深度学习的一个关键障碍,目前也没有完全攻克。

    什么是梯度爆炸和梯度消失呢?从理论上说都可以写一篇论文出来。不过简单理解,就是在反向传播的算法过程中,由于我们使用了是矩阵求导的链式法则,有一大串连乘,如果连乘的数字在每层都是小于1的,则梯度越往前乘越小,导致梯度消失,而如果连乘的数字在每层都是大于1的,则梯度越往前乘越大,导致梯度爆炸。

    比如我们在前一篇反向传播算法里面讲到了δδ的计算,可以表示为:

δl=J(W,b,x,y)zl=J(W,b,x,y)zLzLzL1zL1zL2...zl+1zlδl=∂J(W,b,x,y)∂zl=∂J(W,b,x,y)∂zL∂zL∂zL−1∂zL−1∂zL−2...∂zl+1∂zl

    如果不巧我们的样本导致每一层zl+1zl∂zl+1∂zl的都小于1,则随着反向传播算法的进行,我们的δlδl会随着层数越来越小,甚至接近越0,导致梯度几乎消失,进而导致前面的隐藏层的W,bW,b参数随着迭代的进行,几乎没有大的改变,更谈不上收敛了。这个问题目前没有完美的解决办法。

    而对于梯度爆炸,则一般可以通过调整我们DNN模型中的初始化参数得以解决。

    对于无法完美解决的梯度消失问题,目前有很多研究,一个可能部分解决梯度消失问题的办法是使用ReLU(Rectified Linear Unit)激活函数,ReLU在卷积神经网络CNN中得到了广泛的应用,在CNN中梯度消失似乎不再是问题。那么它是什么样子呢?其实很简单,比我们前面提到的所有激活函数都简单,表达式为:

σ(z)=max(0,z)σ(z)=max(0,z)

    也就是说大于等于0则不变,小于0则激活后为0。就这么一玩意就可以解决梯度消失?至少部分是的。具体的原因现在其实也没有从理论上得以证明。这里我也就不多说了。

5. DNN其他激活函数

    除了上面提到了激活函数,DNN常用的激活函数还有:

    1) tanh:这个是sigmoid的变种,表达式为:

tanh(z)=ezezez+eztanh(z)=ez−e−zez+e−z

    tanh激活函数和sigmoid激活函数的关系为:

tanh(z)=2sigmoid(2z)1tanh(z)=2sigmoid(2z)−1

    tanh和sigmoid对比主要的特点是它的输出落在了[-1,1],这样输出可以进行标准化。同时tanh的曲线在较大时变得平坦的幅度没有sigmoid那么大,这样求梯度变化值有一些优势。当然,要说tanh一定比sigmoid好倒不一定,还是要具体问题具体分析。

    2) softplus:这个其实就是sigmoid函数的原函数,表达式为:

softplus(z)=log(1+ez)softplus(z)=log(1+ez)

    它的导数就是sigmoid函数。softplus的函数图像和ReLU有些类似。它出现的比ReLU早,可以视为ReLU的鼻祖。

    3)PReLU:从名字就可以看出它是ReLU的变种,特点是如果未激活值小于0,不是简单粗暴的直接变为0,而是进行一定幅度的缩小。如下图。当然,由于ReLU的成功,有很多的跟风者,有其他各种变种ReLU,这里就不多提了。

6. DNN损失函数和激活函数小结

    上面我们对DNN损失函数和激活函数做了详细的讨论,重要的点有:1)如果使用sigmoid激活函数,则交叉熵损失函数一般肯定比均方差损失函数好。2)如果是DNN用于分类,则一般在输出层使用softmax激活函数和对数似然损失函数。3)ReLU激活函数对梯度消失问题有一定程度的解决,尤其是在CNN模型中。

    下一篇我们讨论下DNN模型的正则化问题。

 

(欢迎转载,转载请注明出处。欢迎沟通交流: pinard.liu@ericsson.com) 

参考资料:

1) Neural Networks and Deep Learning by By Michael Nielsen

2) Deep Learning, book by Ian Goodfellow, Yoshua Bengio, and Aaron Courville

3) UFLDL Tutorial

 

展开阅读全文

没有更多推荐了,返回首页