机器学习技法之深度学习（Deep Learning）

前面学习了基础神经网络算法，可以得知神经网络基本结构中：神经元（Node）的个数，层数（Layer），以及激活函数的类型和神经元之间的连接形式都是可以自己选择的，这就导致结构的多样性，那么如何选择呢？当然是视情况而定了。

浅层与深层（Shallow versus Deep Neural Networks）

浅（shallow）层以为着较少（few）的隐含层（hidden layers）。其意味着：

训练效率高
简单的结构设计
理论上如果神经元足够多，那么就足够强，拟合任何问题

深层（deep）层以为着较少（few）的隐含层（hidden layers）。其意味着：

训练时间消耗大
复杂的结构设计
非常有力，可以拟合任何问题
更有意义

对于深度神经网络来说，由于层数较多，那每一层的任务相对来说比较简单，许多层完成一个复杂任务。并且常常用于一些使用原始特征比较困难的学习任务。

深度学习的挑战和关键技术（Challenges and Key Techniques）

difficult structural decisions:
结构设计困难

subjective with domain knowledge: like convolutional NNet for
images
具有主观性，一般会结合专业知识进行设计，像卷积神经网络

high model complexity:
高模型复杂度

no big worries if big enough data
如果数据不够多会导致过拟合
regularization towards noise-tolerant: like
对噪声的容忍度提高
- dropout (tolerant when network corrupted)，对网络出现问题导致噪声的容忍度
- denoising (tolerant when input corrupted)，对输入噪声的容忍度

hard optimization problem:
很难优化

careful initialization to avoid bad local minimum: called pre-training
仔细选择初始值以防止不好的局部最优解，叫做预训练

huge computational complexity (worsen with big data):
高计算复杂度

novel hardware/architecture: like mini-batch with GPU
随着硬件的更新换代，这一问题得到缓和。

林老师认为这几条中初始化和正则化属于比较关键的技术。

二阶段深度学习框架（A Two-Step Deep Learning Framework）

第一阶段是：

\[\text { for } \ell = 1 , \ldots , L . \text { pre-train } \left\{ w _ { i j } ^ { ( \ell ) } \right\} \text { assuming } w _ { * } ^ { ( 1 ) } , \ldots w _ { * } ^ { ( \ell – 1 ) } \text { fixed }
\]

什么意思呢，简单来说就是，先获得第一层的权重值，然后固定第一层的权重值来获得第二层的权重值，依次执行到最后一层。这一过程叫做预训练（pre-train)。可以看出这是一个多输入多输出问题（MIMO），但是丝毫不影响神经网络的训练，这是由于反向传播算法的实现，如果有不懂的话可以看前一篇《机器学习技法之神经网络》。

在这里插入图片描述
第二阶段是：

\[\text { train with backprop on pre-trained NNet to fine-tune all } \left\{ w _ { i j } ^ { ( \ell ) } \right\}
\]

即以预训练获取的权值作为初始值，然后使用反向传播算法进行迭代优化。

自编码器（Autoencoder）

信息保留式编码（Information-Preserving Encoding）

实际上每一层神经元的特征转换类似于编码过程（或者说转换表现形式），如果经过编码后，表现形式改变（different representation），但是代表的信息不变（same info）的话，便将之称为信息保留式编码（Information-Preserving Encoding）。所以经过信息保留式编码后的可以准确的解码为原来的表现形式。

那么现在的想法就是使用这种编码形式实现预训练，获取初始权值。

信息保留式神经网络（Information-Preserving Neural Net）

假设当前需求的神经网络只有一层隐含层，那么这种编码形式的神经网络结构图如下：
在这里插入图片描述
这种以 \(d – \tilde { d } – d \text { NNet with goal } g _ { i } ( \mathbf { x } ) \approx x _ { i }\) 为结构形式的神经网络叫做自编码器（Autoencoder）。实际上就是在学习一个逼近恒等（自身）的函数（approximate identity function），identity 意思为将某个东西对应到它本身。

那么这次称编码权重（encoding weights）为：\(\mathbf{w}^{(1)}_{ij}\)，解码权重（decoding weights）为：\(\mathbf{w}^{(2)}_{ij}\)

逼近恒等函数（Approximating Identity Function）

这种函数的意义是：这种逼近过程会使用到（仰赖）一些已获得样本数据（observed data）中的隐藏结构（hidden structures），

对于监督学习，这种潜在的结构（hidden structure，比如说进行文字识别时学到的笔画）可以用于作为合理的特征转换 \(\Phi(\mathbf{x})\)（ reasonable transform）。这种潜在结构等于是原数据的信息表示（‘informative’ representation）。

对于无监督学习，自编码器更像是在学习数据的类型表示（‘typical’ representation of data）。在密度估计（density estimation）中，如果这类数据越多，那么这类数据的逼近越好，也就是自编码器的误差越少。在异常检测（outlier detection）中，如果自编码器的误差很小，那么代表该数据属于原来的训练数据。

所以说自编码器（autoencoder）是通过逼近恒等函数实现的一种表示学习（representation-learning through approximating identity function)。

基本的自编码器（Basic Autoencoder）

Basic Autoencoder 的表现形式为：

\[d – \tilde { d } – d \text { NNet with error function } \sum _ { i = 1 } ^ { d } \left( g _ { i } ( \mathbf { x } ) – x _ { i } \right) ^ { 2 }
\]

有以下特点：

backprop easily applies; shallow and easy to train
反向传播算法容易应用，隐含层少易于训练
usually \(d > \tilde { d }\) : compressed representation
一般情况下隐含层神经元个数小于输入（或输出），从而达到一种数据压缩的效果
数据的格式为：\(\left\{ \left( \mathbf { x } _ { 1 } , \mathbf { y } _ { 1 } = \mathbf { x } _ { 1 } \right) , \left( \mathbf { x } _ { 2 } , \mathbf { y } _ { 2 } = \mathbf { x } _ { 2 } \right) , \ldots , \left( \mathbf { x } _ { N } , \mathbf { y } _ { N } = \mathbf { x } _ { N } \right) \right\}\)，所以也被用于无监督学习（categorized as unsupervised learning technique）。
有时候加入约束条件 \(w _ { i j } ^ { ( 1 ) } = w _ { j i } ^ { ( 2 ) }\) 作为一种正则化，但是在计算梯度时会更复杂。

其中 \(w _ { i j } ^ { ( 1 ) }\) 用作预训练权重。

那么使用自编码器进行预训练的过程为：

第一阶段是：

在这里插入图片描述

\[\text { by training basic autoencoder on } \left\{ \mathbf { x } _ { n } ^ { ( \ell – 1 ) } \right\} \text { with } \tilde { d } = d ^ { ( \ell ) }
\]

实际上就是一层一层的训练，这里有一个疑问为什么不一起训练，是复杂度问题吗？

第二阶段是：

\[\text { train with backprop on pre-trained NNet to fine-tune all } \left\{ w _ { i j } ^ { ( \ell ) } \right\}
\]

当然自编码的实现由正则化规则和不同的结构（ different architectures and regularization schemes）而丰富多样。

降噪自编码器（Denoising Autoencoder）

下面学习一种新的正则化技术。

过拟合的成因一般有三种：数据量过小，噪声过大，算法过于强大。

那么现在提出一种降噪模型，什么意思呢？

将下述形式的样本数据（将原数据和人工噪声混合数据作为输入，将原数据作为输出）输入自编码器中：

\[\begin{array} { c } \left\{ \left( \tilde { \mathbf { x } } _ { 1 } , \mathbf { y } _ { 1 } = \mathbf { x } _ { 1 } \right) , \left( \tilde { \mathbf { x } } _ { 2 } , \mathbf { y } _ { 2 } = \mathbf { x } _ { 2 } \right) , \ldots , \left( \tilde { \mathbf { x } } _ { N } , \mathbf { y } _ { N } = \mathbf { x } _ { N } \right) \right\} \\ \text { where } \tilde { \mathbf { x } } _ { n } = \mathbf { x } _ { n } + \text { artificial noise } \end{array}
\]

训练出模型：

\[g ( \tilde { x } ) \approx x
\]

人工的噪声或者说 hint（例如旋转图像，缩小图像）常常用于神经网络或者其他模型。

主成分分析（Principal Component Analysis）

线性自编码器假设函数（Linear Autoencoder Hypothesis）

对于一个线性神经网络模型来说，这里则不需要 tanh 函数了，也就是说

\[h _ { k } ( \mathbf { x } ) = \sum _ { j = 0 } ^ { \tilde { d } } w _ { j k } ^ { ( 2 ) } \left( \sum _ { i = 0 } ^ { d } w _ { i j } ^ { ( 1 ) } x _ { i } \right)
\]

现在考虑三个特殊条件：

为了简化，先不考虑 \(x_0\)，让输入和输出个数一样，也就是

\[h _ { k } ( \mathbf { x } ) = \sum _ { j = 0 } ^ { \tilde { d } } w _ { j k } ^ { ( 2 ) } \left( \sum _ { i = 1 } ^ { d } w _ { i j } ^ { ( 1 ) } x _ { i } \right)
\]

假设 \(\tilde { d } < d\)，以确保非零解（non-trivial solution），因为当 \(\tilde { d } >= d\) 可以想象出权重向量是非常稀疏的。
加入前面提及的正则化约束条件 \(w _ { i j } ^ { ( 1 ) } = w _ { j i } ^ { ( 2 ) } = w _ { i j }\)

\[h _ { k } ( \mathbf { x } ) = \sum _ { j = 0 } ^ { \tilde { d } } w _ { k j } \left( \sum _ { i = 1 } ^ { d } w _ { i j } x _ { i } \right)
\]

同时可以获取权重矩阵 \(\mathrm { W } = \left[ w _ { i j } \right] \text { of size } d \times \tilde { d }\)，那么线性自编码器的假设函数为：

\[\mathbf { h } ( \mathbf { x } ) = \mathrm { WW } ^ { T } \mathbf { x }
\]

线性自编码器的误差函数（Linear Autoencoder Error Function）

可以根据平方误差写出误差函数：

\[E _ { \mathrm { in } } ( \mathbf { h } ) = E _ { \mathrm { in } } ( \mathrm { W } ) = \frac { 1 } { N } \sum _ { n = 1 } ^ { N } \left\| \mathbf { x } _ { n } – \mathrm { WW } ^ { T } \mathbf { x } _ { n } \right\| ^ { 2 } \text { with } d \times \tilde { d } \text { matrix } \mathrm { W }
\]

但是这里有一点，需要计算关于 \(\mathrm { W }\) 的四次多项式。

这里用到一些线性代数的知识，特征分解（eigen-decompose）：

\[\mathrm { WW } ^ { T } = \mathrm { V } \Gamma \mathrm { V } ^ { T }
\]

\(\mathrm { W }\) 是正规矩阵的充要条件是：存在酉矩阵，使得 \(\mathrm { W }\) 酉相似于对角矩阵

其中

\(\mathrm { V }\) 是 \(d \times d\) 的正交（orthogonal）矩阵（又叫酉矩阵），并且 \(\mathrm { VV } ^ { T } = \mathrm { V } ^ { T } \mathrm { V } = \mathrm { I } _ { d }\)。
\(\Gamma\) 为对角矩阵，且只有 \(\leq \tilde d\) 个非零项。

\(\mathrm { WW } ^ { T } \mathbf { x } _ { n } = \mathrm { V } \Gamma \mathrm { V } ^ { T } \mathbf { x } _ { n }\) 中的各个参数的物理意义：

\(\mathrm { V } ^ { T }\) ：将数据 \(\mathbf { x } _ { n }\) 进行坐标转换（旋转和镜像）。
\(\Gamma\) ：令上一步获取的矩阵中 \(\geq d -\tilde d\) 个参数为零，并缩放其他参数。
\(\mathrm { V }\) ：将上一步获取的数据，根据系数和基向量进行坐标重构（反旋转和反镜像）。

那么根据这个物理意义可以写出如下表示：

\[\mathbf { x } _ { n } = \mathrm { VIV } ^ { T } \mathbf { x } _ { n }
\]

也就是说只进行旋转和反旋转，并不对参数进行设成零或放缩操作。

那么误差函数最小化问题便转换为了 \(\Gamma\) 和 \(\mathrm { V }\) 的优化问题。

也就是说：

\[\min _ { \mathbf { V } } \min _ { \Gamma } \frac { 1 } { N } \sum _ { n = 1 } ^ { N } \| \underbrace { \operatorname { VIV } ^ { T } \mathbf { x } _ { n } } _ { \mathbf { x } _ { n } } – \underbrace { \operatorname { V } \Gamma \mathbf { V } ^ { T } \mathbf { x } _ { n } } _ { \mathbf { W } \mathbf { W } ^ { \top } \mathbf { x } _ { n } } \| ^ { 2 }
\]

直观上来说由于 \(\mathrm { V }\) 只是做了一个旋转动作，所以并不会影响向量的长度，所以将其拿掉。

\[\min _ { \mathbf { V } } \min _ { \Gamma } \frac { 1 } { N } \sum _ { n = 1 } ^ { N } \| \left( I – \Gamma \right) {\mathbf { V } ^ { T } \mathbf { x } _ { n } } \| ^ { 2 }
\]

先不考虑 \(\mathrm { V }\)，可以改写为：

\[\min _ { \Gamma } \sum \| ( \mathrm { I } – \Gamma ) ( \text { some vector } ) \| ^ { 2 }
\]

由于 \(\mathrm { I }-\Gamma\) 是一个对角矩阵，那么为了满足上述优化问题，那么该对角矩阵应该有尽可能多的零值。由于 \(\Gamma\) 中有 \(\leq \tilde d\) 非零值，那么也就是说最多有 \(\tilde d\) 个 1 使得 \(\mathrm { I }-\Gamma\) 零值最多。

那么现在先假设

\[\Gamma = \left[ \begin{array} { c c } \mathrm { I } _ { \tilde { d} } & 0 \\ 0 & 0 \end{array} \right]
\]

然后在求取 \(\mathrm { V }\) 的值来满足这一条件，那么根据 \(\mathrm { I }-\Gamma = \left[ \begin{array} { c c } 0 & 0 \\ 0 & \mathbf { I } _ { d – \tilde { d } } \end{array} \right]\) 的最优解将优化问题改为：

\[\min _ { \mathbf { V } } \sum _ { n = 1 } ^ { N } \left\| \left[ \begin{array} { c c } 0 & 0 \\ 0 & \mathbf { I } _ { d – \tilde { d } } \end{array} \right] \mathbf { V } ^ { T } \mathbf { x } _ { n } \right\| ^ { 2 } \equiv \max _ { \mathbf { v } } \sum _ { n = 1 } ^ { N } \left\| \left[ \begin{array} { c c } \mathbf { I } _ { \tilde { \alpha } } & 0 \\ 0 & 0 \end{array} \right] \mathbf { V } ^ { T } \mathbf { x } _ { n } \right\| ^ { 2 }
\]

首先假设 \(\tilde d = 1\)，那么只有 \(\mathrm { V }^{T}\) 的第一行 \(\mathrm{v}^T\) 被用到了：

\[\max _ { \mathbf { v } } \sum _ { n = 1 } ^ { N } \mathbf { v } ^ { T } \mathbf { x } _ { n } \mathbf { x } _ { n } ^ { T } \mathbf { v } \text { subject to } \mathbf { v } ^ { T } \mathbf { v } = 1
\]

那么最优解用拉格朗日乘数法可以表示为：

\[\sum _ { n = 1 } ^ { N } \mathbf { x } _ { n } \mathbf { x } _ { n } ^ { T } \mathbf { v } = \lambda \mathbf { v }
\]

可以看出 \(\mathbf { v }\) 是 \(X ^ { T } X\) 的一个特征向量，其中 \(X^T = [\mathbf x_1,\cdots,\mathbf x_N]\)。那么最优的 \(\mathbf { v }\) 应该是最大特征值对应的特征向量。

那么对于任意的 \(\tilde d\)，\(\left\{ \mathbf { v } _ { j } \right\} _ { j = 1 } ^ { \tilde { d} }\) 应该是 Top \(\tilde d\) 特征值对于的特征向量，而 \(\mathbf { w }_j\) 的组成基本上就是这些特征向量，也就是说：

\[\text { optimal } \left\{ \mathbf { w } _ { j } \right\} = \left\{ \mathbf { v } _ { j } \text { with } \left[ \kern-0.15em\left[ \gamma _ { j } = 1 \right] \kern-0.15em \right]\right\} = \text { top eigenvectors }
\]

线性自编码器：实际上就是投影到这些与数据 \(\left\{ \mathbf { x } _ { n } \right\}\) 最匹配的几个正交向量。

线性自编码器的本质就是，向这些垂直的向量上做投影后，保证它们的和最大。

\[\text { maximize } \sum ( \text { maginitude after projection } ) ^ { 2 }
\]

实现流程为：

\[\begin{array} { l }\qquad \text { 1. calculate } \tilde { d } \text { top eigenvectors } \mathbf { w } _ { 1 } , \mathbf { w } _ { 2 } , \ldots , \mathbf { w } _ { \tilde { d } } \text { of } \mathbf { X } ^ { T } \mathbf { X } \\ \qquad \text { 2. return feature transform } \mathbf { \Phi } ( \mathbf { x } ) = \mathbf { W } ( \mathbf { x } ) \end{array}
\]

主成分分析（PCA）的实现与之类似，其本质是做完投影后再这些投影上的变化量（variance）最大，也就是说具有多样性，即找出那些差异性较大的特征，也就是相关性较小的特征将被留下，如果两个特征的相关性较大那么尽可能只留其中一个：

\[\text { maximize } \sum ( \text { variance after projection } )
\]

所以 PCA 经常用于降维。

PCA的具体实现流程：

\[\begin{array} { l }\qquad \text { 1. let }\overline { \mathbf { x } } = \frac { 1 } { N } \sum _ { n = 1 } ^ { N } \mathbf { x } _ { n } , \text { and let } \mathbf { x } _ { n } \leftarrow \mathbf { x } _ { n } – \overline { \mathbf { x } } \\ \qquad \text { 2. calculate } \tilde { d } \text { top eigenvectors } \mathbf { w } _ { 1 } , \mathbf { w } _ { 2 } , \ldots , \mathbf { w } _ { \tilde { d } } \text { of } \mathbf { X } ^ { T } \mathbf { X } \\ \qquad \text { 3. return feature transform } \mathbf { \Phi } ( \mathbf { x } ) = \mathbf { W } ( \mathbf { x } – \overline { \mathbf { x } } ) \end{array}
\]

特征值和特征向量的意义：图片压缩

以图片压缩为例，比如说，有下面这么一副 \(512\times512\) 的图片（方阵才有特征值，所以找了张正方形的图）：

在这里插入图片描述

这个图片可以放到一个矩阵里面去，就是把每个像素的颜色值填入到一个 \(512\times512\) 的 A 矩阵中。

加入该矩阵可以对角化的话，那么可以做如下特征分解（谱分解）：

\[A = P \Lambda P ^ { – 1 }
\]

其中，\(\Lambda\) 是对角阵，对角线上是从大到小排列的特征值。

在 \(\Lambda\) 中只保留前面50个的特征值（也就是最大的50个，其实也只占了所有特征值的百分之十），其它的都填0，重新计算矩阵后，恢复为下面这样的图像：
在这里插入图片描述

效果还可以，其实一两百个特征值之和可能就占了所有特征值和的百分之九十了，其他的特征值都可以丢弃了。

本文链接：https://www.cnblogs.com/FlameBlog/p/14715241.html

机器学习技法之深度学习（Deep Learning）

浅层与深层（Shallow versus Deep Neural Networks）

深度学习的挑战和关键技术（Challenges and Key Techniques）