神經(jīng)網(wǎng)絡(luò)是線性模塊和非線性模塊的巧妙排列。當聰明地選擇并連接這些模塊時，我們就得到了一個強大的工具來逼近任何一個數(shù)學(xué)函數(shù)，如一個能夠借助非線性決策邊界進行分類的神經(jīng)網(wǎng)絡(luò)。

運行代碼的步驟如下：

git clone https://github.com/omar-florez/scratch_mlp/ 
python scratch_mlp/scratch_mlp.py 

盡管反向傳播技術(shù)具有直觀、模塊化的特質(zhì)，但是它負責(zé)更新可訓(xùn)練的參數(shù)，這是一個一直未被深入解釋的主題。讓我們以樂高積木為喻，一次增加一塊，從零構(gòu)建一個神經(jīng)網(wǎng)絡(luò)來一探其內(nèi)部功能。

神經(jīng)網(wǎng)絡(luò)就像是由樂高積木組成的

上圖描述了訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)時所用到的部分數(shù)學(xué)過程。我們將在本文中解釋這個。讀者可能感到有趣的一點是：一個神經(jīng)網(wǎng)絡(luò)就是很多模塊以不同的目標堆疊起來。

• 輸入變量 X 向神經(jīng)網(wǎng)絡(luò)饋送原始數(shù)據(jù)，它被存儲在一個矩陣中，矩陣的行是觀察值，列是維度。
• 權(quán)重 W_1 將輸入 X 映射到第一個隱藏層 h_1。然后權(quán)重 W_1 充當一個線性核。
• Sigmoid 函數(shù)防止隱藏層中的數(shù)字落到 0-1 的范圍之外。結(jié)果就是一個神經(jīng)激活的數(shù)組，h_1 = Sigmoid(WX)。

此時，這些運算只是組成了一個一般線性系統(tǒng)，無法對非線性交互建模。當我們再疊加一層，給模塊的結(jié)構(gòu)增加深度的時候這一點就會改變。網(wǎng)絡(luò)越深，我們就會學(xué)到越多微妙的非線性交互，能解決的問題也就越復(fù)雜，或許這也是深度神經(jīng)模型興起的原因之一。

為什么我要讀這篇文章?

如果你理解一個神經(jīng)網(wǎng)絡(luò)的內(nèi)部部分，你就能夠在遇到問題的時候快速知道先去改變哪里，并且能夠制定策略來測試你所知道的這個算法的部分不變量和預(yù)期的行為。

因為調(diào)試機器學(xué)習(xí)模型是一項復(fù)雜的任務(wù)。根據(jù)經(jīng)驗，數(shù)學(xué)模型在首次嘗試的時候不會奏效。它們可能會對新數(shù)據(jù)給出較低的準確率，會耗費很長的訓(xùn)練時間或者太多的內(nèi)存，返回一個很大的錯誤負數(shù)值或者 NAN 的預(yù)測……在有些情況下，了解算法的運行機制可以讓我們的任務(wù)變得更加便利：

• 如果訓(xùn)練花費了太多的時間，那增加 minibatch 的大小或許是一個好主意，這能夠減小觀察值的方差，從而有助于算法收斂。
• 如果你看到了 NAN 的預(yù)測值，算法可能接收到了大梯度，產(chǎn)生了內(nèi)存溢出。可以將這個視為在很多次迭代之后發(fā)生爆炸的矩陣乘法。減小學(xué)習(xí)率可以縮小這些數(shù)值。減少層數(shù)能夠減少乘法的數(shù)量。剪切梯度也能夠明顯地控制這個問題。

具體的例子：學(xué)習(xí)異或函數(shù)

讓我們打開黑盒子。我們現(xiàn)在要從零開始構(gòu)建一個學(xué)習(xí)異或函數(shù)的神經(jīng)網(wǎng)絡(luò)。選擇這個非線性函數(shù)可絕對不是隨機的。沒有反向傳播的話，就很難學(xué)會用一條直線分類。

為了描述這個重要的概念，請注意下圖中，一條直線是為何不能對異或函數(shù)輸出中的 0 和 1 進行分類。現(xiàn)實生活中的問題也是非線性可分的。

這個網(wǎng)絡(luò)的拓撲結(jié)構(gòu)非常簡單：

• 輸入變量 X 是二維向量
• 權(quán)重 W_1 是具有隨機初始化數(shù)值的 2x3 的矩陣
• 隱藏層 h_1 包含 3 個神經(jīng)元。每個神經(jīng)元接受觀察值的加權(quán)和作為輸入，這就是下圖中綠色高亮的內(nèi)積：z_1 = [x_1, x_2][w_1, w_2]
• 權(quán)重 W_2 是具有隨機初始化值的 3x2 的矩陣
• 輸出層 h_2 包含兩個神經(jīng)元，因為異或函數(shù)的輸出要么是 0(y_1=[0,1])，要么是 1(y_2 = [1,0])

下圖更加直觀：

我們現(xiàn)在來訓(xùn)練這個模型。在我們這個簡單的例子中，可訓(xùn)練的參數(shù)就是權(quán)重，但是應(yīng)該知道的是，目前的研究正在探索更多可以被優(yōu)化的參數(shù)類型。例如層之間的快捷連接、正則化分布、拓撲結(jié)構(gòu)、殘差、學(xué)習(xí)率等等。

反向傳播是這樣的一種方法：在給定的一批具有標簽的觀察值上，朝著將預(yù)定義的錯誤指標(就是損失函數(shù))最小化的方向(梯度)更新權(quán)重。該算法已經(jīng)多次被重復(fù)發(fā)現(xiàn)，這是另一種更通用的被稱為自動微分的技術(shù)在反向積累模式下的特例。

網(wǎng)絡(luò)初始化

讓我們用隨機數(shù)來初始化網(wǎng)絡(luò)權(quán)重

前向步驟：

這一步的目標就是把輸入變量 X 向前傳遞到網(wǎng)絡(luò)的每一層，直至計算出輸出層 h_2 的向量。

這就是其中發(fā)生的計算過程：

以權(quán)重 W_1 為線性核對輸入數(shù)據(jù) X 做線性變換：

使用 Sigmoid 激活函數(shù)對加權(quán)和進行縮放，得到了第一個隱藏層 h_1 的值。請注意，原始的 2D 向量現(xiàn)在映射到了 3D 空間。

第 2 層 h_2 中發(fā)生了類似的過程。讓我們首先來計算第一個隱藏層的加權(quán)和 z_2，它現(xiàn)在是輸入數(shù)據(jù)。

然后計算它們的 Sigmoid 激活函數(shù)。向量 [0.37166596 0.45414264] 代表的是網(wǎng)絡(luò)對給定的輸入 X 計算出的對數(shù)概率或者預(yù)測向量。

計算整體損失

也被稱為「實際值減去預(yù)測值」，這個損失函數(shù)的目標就是量化預(yù)測向量 h_2 和人工標簽 y 之間的距離。

請注意，這個損失函數(shù)包括一個正則項，它以嶺回歸的形式懲罰較大的權(quán)重。換言之，平方值比較大的權(quán)重會增大損失函數(shù)，而這正是我們希望最小化的指標。

反向步驟：

這一步的目標就是沿著最小化損失函數(shù)的方向更新神經(jīng)網(wǎng)絡(luò)的權(quán)重。正如我們將要看到的，這是一個遞歸算法，它可以重用之前計算出來的梯度，而且嚴重依賴微分函數(shù)。因為這些更新減小了損失函數(shù)，所以一個神經(jīng)網(wǎng)絡(luò)便「學(xué)會了」去逼近具有已知類別的觀察值的標簽。這就是被稱作泛化的一種屬性。

與前向步驟不同的是，這個步驟沿著反向的順序進行。它首先計算出輸出層中損失函數(shù)對每個權(quán)重的偏導(dǎo)數(shù) (dLoss/dW_2)，然后計算隱藏層的偏導(dǎo)數(shù) (dLoss/dW1)。讓我們詳細地解釋每個導(dǎo)數(shù)吧。

(1) dLoss/dW_2：

鏈式法則表明，我們可以將一個神經(jīng)網(wǎng)絡(luò)的梯度計算分解成好多個微分部分：

為了幫助記憶，下表列出了上面用到的一些函數(shù)定義以及它們的一階導(dǎo)數(shù)：

更直觀地，我們在下圖中要更新權(quán)重 W_2(藍色部分)。為了做到這件事，我們需要沿著導(dǎo)數(shù)鏈計算三個偏導(dǎo)數(shù)。

將數(shù)值代入到這些偏導(dǎo)數(shù)中，我們就能夠計算出 W_2 的偏導(dǎo)數(shù)，如下所示：

結(jié)果是一個 3x2 的矩陣 dLoss/dW_2，它將會沿著最小化損失函數(shù)的方向更新 W_2 的數(shù)值。

(2) dLoss/dW_1：

計算用于更新第一個隱藏層 W_1 權(quán)重的鏈式規(guī)則就展現(xiàn)了重復(fù)使用已有計算結(jié)果的可能。

更直觀地，從輸出層到權(quán)重 W_1 的路徑會碰到在后面層中早已計算出來的偏導(dǎo)數(shù)。

例如，偏導(dǎo)數(shù) dLoss/dh_2 和 dh_2/dz_2 在上一節(jié)中已經(jīng)被計算為輸出層 dLoss/dW_2 學(xué)習(xí)權(quán)值的依賴項。

將所有的導(dǎo)數(shù)放在一起，我們就能夠再一次執(zhí)行鏈式法則，來為隱藏層的 W_1 更新權(quán)重。

最后，我們給權(quán)重賦予新的數(shù)值，完成了對神經(jīng)網(wǎng)絡(luò)的一步訓(xùn)練。

實現(xiàn)

讓我們僅使用 numpy 作為線性代數(shù)引擎來將上面的數(shù)學(xué)方程轉(zhuǎn)換成代碼。神經(jīng)網(wǎng)絡(luò)在一個循環(huán)中進行訓(xùn)練，其中每次迭代會給神經(jīng)網(wǎng)絡(luò)展示標準的輸入數(shù)據(jù)。在這個小例子中，我們只考慮每次迭代中的整個數(shù)據(jù)集。前向步驟、損失函數(shù)和反向步驟的計算會得到比較好的泛化，因為我們在每一次循環(huán)中都用它們對應(yīng)的梯度(矩陣 dL_dw1 和 dL_dw2)來更新可訓(xùn)練的參數(shù)。

代碼保存在這個 repo 中：https://github.com/omar-florez/scratch_mlp

讓我們來運行這份代碼!

下面可以看到一些進行了好多次迭代訓(xùn)練得到的能夠近似異或函數(shù)的神經(jīng)網(wǎng)絡(luò)

。

左圖：準確率;中間的圖：學(xué)習(xí)到的決策邊界;右圖：損失函數(shù)

首先，我們來看一下隱藏層具有 3 個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)為何能力較弱。這個模型學(xué)會了用一個簡單的決策邊界來進行二分類，這個邊界開始是一條直線，但是隨后就表現(xiàn)出了非線性的行為。隨著訓(xùn)練的持續(xù)，右圖中的損失函數(shù)也明顯地減小。

隱藏層擁有 50 個神經(jīng)元的神經(jīng)網(wǎng)絡(luò)明顯地增加了模型學(xué)習(xí)復(fù)雜決策邊界的能力。這不僅僅能夠得到更準確的結(jié)果，而且也使梯度發(fā)生了爆炸，這是訓(xùn)練神經(jīng)網(wǎng)絡(luò)時的一個顯著問題。當梯度非常大的時候，反向傳播中的連乘會產(chǎn)生很大的更新權(quán)重。這就是最后幾步訓(xùn)練時損失函數(shù)突然增大的原因(step>90)。損失函數(shù)的正則項計算出了已經(jīng)變得很大的權(quán)重的平方值(sum(W²)/2N)。

正如你所看到的一樣，這個問題可以通過減小學(xué)習(xí)率來避免。可以通過實現(xiàn)一個能夠隨著時間減小學(xué)習(xí)率的策略來實現(xiàn)。或者通過強制執(zhí)行一個更強的正則化來實現(xiàn)，可能是 L1 或者 L2。梯度消失和梯度爆炸是很有趣的現(xiàn)象，我們后續(xù)會做完整的分析。

原文鏈接：

https://medium.com/towards-artificial-intelligence/one-lego-at-a-time-explaining-the-math-of-how-neural-networks-learn-with-implementation-from-scratch-39144a1cf80

【本文是51CTO專欄機構(gòu)“機器之心”的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】 

戳這里，看該作者更多好文