台湾大学深度学习课程 学习笔记 lecture1-2 Neural Network Basics

以下内容和图片均来自台湾大学深度学习课程。
课程地址：https://www.csie.ntu.edu.tw/~yvchen/f106-adl/syllabus.html

本节课主要讲了三个问题：
1. What is the model? (function hypothesis set)
2. What does a “good” function mean?
3. How do we pick the “best” function?

为了回答这三个问题，引出了本节课的主要内容框架。

接下来针对上面的框架，做出了如下的讲解。本次笔记根据框架内容，从模型、损失函数、优化方法这三个完成。

模型

数字转化

输入数据 x 可能是图片或者语音，首先将其转化为可进行计算的数字信息，这些数字保存在多维矩阵中。
同样的，对输出结果 y ，以分类任务的二元分类与多元分类为例，也可以保存在一个多维矩阵中。
这样，在接下来的模型处理中，使用这些转化后的数字进行计算。

单层神经网络

上节讲到的单个神经元结构中，将bias b 当成一个特殊的权重，此时对应的 x 应该为1。

b 的意义

那么 b 的意义是什么呢？
如果没有 b 的话，由于公式 z=wx+b 是高维线性的关系，如果没有 b ，那么所有的 z 必定都是过原点的，那么很多情况无法将其进行准确划分（如下图）。所以添加了bias，使得 z 可以在更多情况下进行准确划分。

这个地方，台大原视频课程中，老师采用的下面的方式讲解，这里将 b 转换到了 σ(z) 的方程里，多做了一层转换，不是那么容易理解，所以用了上面自己所理解的方法解释。

分类模型应用

在二分类中，例如判断图形是否为2，我们得到的结果为“is”和“not”的概率。一般认为大于0.5所对应的结果为最终预测的结果。

再多分类中，例如判断图形是0~9中的哪一个数字。每一个分类都能得到一组“is”和“not”的概率。由于数字之间具有一些相似性（例如5和6，在手写中图片中可能比较接近），导致最终结果中可能5和6的预测为“is”的概率都大于0.5。所以一般认为“is”的概率最大的那个所对应的为最终预测的结果。

单层的局限性

单层神经网络（无隐藏层），首先提到的就是没有共享权重，也就是说，每个输入的 x 只进行了一个神经元的转换就输出了 y 结果，各个神经元之间没有共享信息，导致模型过于简单。

模型过于简单的直接结果就是很多情况下，无法进行区分。直观的理解如下图，当出现第三种情况是，无法使用模型进行区分。

所以在实际应用中，我们往往需要多层神经网络，来增加模型的复杂度。

那么为什么增加层数后模型就能进行复杂的划分了呢？
针对上面第三个无法划分的图，我们使用两层神经网络来进行简单的XOR演示。可以看出，两层过后，第三层（输出层）的结果已经可以将之前无法进行线性切分的点进行区分。

其实，两层神经元实际上效果已经远远好于一层的结果。接下来如果继续增加层数，每增加一层，模型的复杂度会极大的得到增强。所以，多层神经网络能够有效的处理非常复杂的问题。

所以，对比上面单层的模型，下面两层和三层的 function模拟图形如下。所以直观的来看，多层的模型比一层的要复杂的多。

多层神经网络

多层神经网络中，两端是输入和输出层，中间是隐藏层。输入层不计算层数，比如第一层，指的是隐藏层的第一层，输入样本 x 是不计算进层数的。

符号表示方式

**函数 a 的符号表示方法。

系数 w 的符号表示方法，这里需要注意的是，一般我们公式都写成 z=WTx+b ，而此时的系数 W 是需要转置的，所以针对的 wij 的下标表示方式也需要注意一下，i 代表 l 列神经元数量，而 j 代表 (l−1) 列。有时候转置符号 T 会省略。

b 的符号表示方法，bi 的 i 为当前层神经元的数量。

z 公式表示方法。

综和上面所有符号：

下面是公式的矩阵表示形式，相比之前有了极大的简化。

**函数 Activation Function

下面是最常用的三个**函数。三个都是非线性的。

非线性

为什么要用非线性的**函数？
每个隐藏层都用线性函数当做**函数的话，那么模型永远都是线性的，无法去做非线性的操作，那么模型的能力永远也不会有较大的提升。
换种说法，理论上讲是可以用一个更复杂的线性函数，来表示多个线性的函数的。我可以用一个更复杂的线性函数来表示之前的多层线性函数，那么多层变的没有意义。
如果**函数是非线性的，那么模型效果才可以不断地通过非线性转换来提高，多层神经网络才变得有意义。

损失函数

从上面公式来看，模型的公式已经确定，模型之间的区别就是参数 w、b 之间的区别。任何一个 w、b 产生变化，最后的模型都不一样。所以我们需要做的就是确定每一个 w、b 使得最终的模型预测效果最好。
θ 代表所有 w、b 的集合。

既然最终目的是确定最好模型的每个参数，那么首先要确认什么是最好的模型，其次再去找最好模型的参数。那么什么是最好的模型呢？
就是损失函数最小的模型。所以对应的参数就可以写成：

C(θ) 就是损失函数，损失函数一般为平方损失，也就是真实 y 值与模型预测结果 f 之差的平方和。

优化

梯度下降 Gradient Descent（GD）

有了损失函数 C(θ) ，如何确定参数呢？
暴力枚举显然是不切实际的，我们一般采用偏导数为0 的方法找到最小值。

根据下图中的公式，当 ∂C(θ)∂x 值为负，说明处于下降状态， θ:=θ−∂C(θ)∂x 的值会不断增加，向右移动。为正则相反。不断迭代，直到找到偏导为0时，认为此时是损失函数的最小值。
η 为学习率 learning rate，此处为正值。决定着移动的步长。

求出 θ 的每一个偏导数，然后同步更新。

这种方法就是梯度下降法。

将上述方法应用到神经网络中，得到下面的过程。

具体每一个偏微分的推导公式如下：

随机梯度下降 Stochastic Gradient Descent （SGD）

梯度下降（GD），所有的样本全部计算一次后进行迭代，这样使得效率很低，速度很慢。介绍另外一个极端 随机梯度下降（SGD） 。SGD每次只迭代一个样本，这样虽然迭代速度变快，但是会变的很不稳定。迭代大量样本之后，总体趋势向着梯度的反方向进行，但是每一次迭代方向很不稳定。

Mini-Batch

接下来介绍的就是Mini-Batch方法，可选择一次使用B个样本的迭代。很明显这种方法介于GD与SGD之间的方法。

GD vs SGD vs Mini-Batch

总结公式：

下面这个图片是三个梯度下降方法的对比，蓝色线是准确率，红色为计算时间。

课上老师没有讲准确度的问题，重点讲了一下计算时间的原因。如下图，可以发现，Mini-Batch计算时间是相对较短的。如果选择合适的Batch，可以极大地缩短计算时间。

原因是相同计算能力的计算机，在矩阵计算方面远大于循环计算。GD虽然是矩阵计算，但样本全部迭代耗时较久；SGD虽然迭代快，但却抛弃了矩阵计算，只能用循环计算。而Mini-Batch既能快速迭代，又能部分使用矩阵，增加计算速度。

最后提到了，一个神经网络中比较严重的问题。就是很多情况下，我们往往只能找到局部最小值而无法找到全局最小值。而且目前没有非常好的方法去解决。

实用技巧

初始化对结果的影响

不同的初始化结果，最后优化完成的公式可能不同。不同的初始化位置，下降的方向会有不同，从而进入不同的局部最小值中。

学习率的选择

过大则可能找不到最优点，过小则速度非常慢。所以确定一个合适的学习率大小比较重要。

Mini-Batch Tips

• 每次迭代时，重置Batch的样本，让每次学习到的样本都不一样；
• 使用同样大小的Batch size，有利于提高计算速度；
• 与学习率综合考虑进行调整。

Learning Recipe

过拟合

过拟合的解决方法：
1. 获取更多训练数据；
2. Dropout 等。