姓名:Jyx
班级:****人工智能直通车-5期
描述:这是本人在学习人工智能时的学习笔记,加深理解
-
感知器模型
1.1 感知器模型的推广
- 神经网络
-
反向传播算法
一个简单的感知器算法可以表示如下
yy=sgn(wTx+b)=sgn(w∗Tx∗) 或者,where w∗=[wT,b]T,x∗=[xT,1]T
出于简化考虑,本文采用第二种表达方式,如无特别说明一般用
w,x代替
w∗,x∗。
感知器的代价函数定义为:
J(w)=∑x∈Y(δxwTx),δx={−1,+1,x∈ω1x∈ω2
ω1,ω2代表类别,
Y代表错误分类的样本的集合。
显然代价函数总是正的。
采用梯度下降法,权重更新公式为
w(t+1)=w(t)−ρt∂J(w)∂w∣∣∣w=w(t)=w(t)−ρt∑x∈Y(δxx)
算法描述:
- 随机选择w(0), 选择ρ0
-
t=0
- 重复
-
Y=∅
-
For i=1 to N
If δxiw(t)Txi≥0 then Y=Y∪{xi}
-
End For
-
w(t+1)=w(t)−ρt∑x∈Yδxx
- 调整ρt→ρt+1
- t = t+ 1
- 直到Y=∅
这不是一个标准的梯度下降过程,因为函数j(w)随着训练的进行一直在改变。但算法依然收敛。
感知器模型的推广
异或问题
简单的感知器模型只能处理线性可分的问题,著名的异或问题感知器算法就不能解决。为此,可以使用两层感知器,
两层感知器的局限:
两层感知器的处理能力依旧有限:两层感知器可以分离由多面体区域的并集构成的类,而不能分离这些区域的并集。
为此,我们可以选择三层感知器。
神经网络
上面讨论通过增加感知器的层数来增强感知器的分类能力,但另一方面我们也可以改变感知器的其它方面来增强他的分类能力,比如**函数。这就是神经网络。
在查找资料的过程中,找到一个很有用的博客专题:深度神经网络基本问题的原理详细分析和推导,里面具体描述了神经网络的方方面面
关于**函数的一个定理
整个机器学习中最重要的一个部分就是优化,优化可以看成是在一定损失函数下的拟合问题。通用逼近定理给出了一些拟合的结论。通用逼近定理这里就不罗列了,有兴趣参考wiki,这里摘录一段网上一篇blog对通用逼近定理的解释
一个仅有单隐藏层的神经网络。在神经元个数足够多的情况下,通过特定的非线性**函数(包括sigmoid,tanh等),足以拟合任意函数。这使得我们在思考神经网络的问题的时候,不需要考虑:我的函数是否能够用神经网络拟合,因为他永远可以做到——只需要考虑如何用神经网络做到更好的拟合(摘自https://blog.****.net/zpcxh95/article/details/69952020)
反向传播算法
反向传播算法从根本上而言是一种多元函数的链式法则的应用。其中也没有高深的推导,只是有层窗户纸让人看不真切
这里力图把本人理解的关键点写清楚。
推荐一篇比较形象的推导反向传播算法
一个简单的神经网络定义如下
在本文推倒中假定网络共有L(1,⋯,L)层,每层有ki个神经元,有两个特例:对于第一层输入层k1就等于输入向量的特征维数,对于最后一层输出层kL就等于输出向量的维数,又假定输入向量共有N(x1,⋯,xN)个,fli表示第l层的第i个**函数,wlij表示第l层第i个神经元的第j个权向量,bl表示第l层的偏置。y^表示网络的输出。vli表示第l层第i个神经元的输出
一般形式
按照上面的定义,每一层的输出可以表示为上一层输出的函数,即
定义辅助变量则vliy^iξlivli=fli(∑j=1kl−1wlijvl−1j+bli),l>1=vLi=∑j=1l−1wlijvl−1j+bli=fli(ξli),l>1(1)(2)(3)
note: 这里有个重点wlij和vl−1j是独立的变量,这意味着对ξli求导时vl−1j可以看作常量
同一般的反向传播算法这个名字暗示的那样,我们从最后一层开始往回计算梯度,即先计算
wLij的梯度,再依次
wl−1ij,⋯,w2ij
1. 第L层
对于损失L(y,y^),可以写成vLi(y^i=vLi)的函数
L(y,y^)∂L∂wLij∂L∂bLi=L(y,y1^,y2^,⋯,ykl^)=L(y,vL1,vL2,⋯,vLkL)=∂L∂vLi∂vLi∂wLij=∂L∂vLi∂vLi∂ξLi∂ξLi∂wLij=∂L∂vLi∂vLi∂bLi=∂L∂vLi∂vLi∂ξLi∂ξLi∂bLi(4)(5)(6)
利用2式和3式,可以得到
∂ξLi∂wLij∂ξLi∂bLi∂vLi∂ξLi=vL−1j=1=f′Li(ξli)
所以5式和6式可以化简成
∂L∂wLij∂L∂bLi=L′(vLi)f′Li(ξli)vL−1j=L′(vLi)f′Li(ξli)
2. l<L层
当l<L时,根据神经网络的构成,每一层都只和下一层有关。迭代递归下去可以知道,损失L(y,y^)总可以写成某一层的函数,即
L(y,y^)=L(y,vl1,vl2,⋯,vlkl)(7)
注意式(7)和式(3)虽然形式不同,但确实是同一个函数,只不过展开深度的不同。
因为式(7)和式(3),根据上面的推导过程,立即可以得到
∂L∂wlij∂L∂bli=∂L∂vLi∂vli∂wlij=∂L∂vli∂vli∂ξli∂ξli∂wlij=∂L∂vli∂vli∂bli=∂L∂vli∂vli∂ξli∂ξli∂bli(5)(6)
∂L∂vli并不像第
L层那样好求,因为网络太复杂并且网络结构不确定,直接展开求解显然不可能,这时,反向
传播算法中的传播 就来了,考虑网络的结构,我们可以
一层一层递归解决
假定第
l+1层已经解决,即
∂L∂vl+1i已知。
考虑第
l+1层,综合式(1)和式(7)
L(y,y^)vl+1i利用多元函数的链式法则 ∂L∂vli=L(y,vl+11,vl+12,⋯,vl+1kl+1)=fl+1i(∑j=1klwl+1ijvlj+bl+1i),i=1,⋯,N=∑j=0kl+1∂L∂vl+1j∂vl+1j∂vli=∑j=0kl+1∂L∂vl+1j∂vl+1j∂ξl+1j∂ξl+1j∂vli=∑j=0kl+1∂L∂vl+1jl+1层梯度f′l+1j(ξl+1j)容易求出wl+1ji已知(7)(8)
这样
∂L∂vli已经求出,带入5,6式即可求出
l层梯度