【Neural Network】林轩田机器学习技法

首先从单层神经网络开始介绍

最简单的单层神经网络可以看成是多个Perception的线性组合，这种简单的组合可以达到一些复杂的boundary。

比如，最简单的逻辑运算AND  OR NOT都可以由多个perception构成的单层神经网络模拟。

但是，单层感知器神经网络能力再强也是有限的，有些逻辑也无法完成。比如，XOR异或运算。

这个时候，就很自然地引出了多层神经网络。

通过这个例子，可以看到多层的神经网络的表达能力要比单层的要强。

上面给出了看待神经网络的一种方式：

1）从原始输入开始一直到OUTPUT之前的那一层，可以看做是对输入x做各种transform

2）与OUTPUT紧挨着的那一层，可以看做是隐层输出做线性组合

并且，在这里规定了神经网络'regression'类型用sqaure error来衡量。

这里有个环节值得说道一下，我们来比较集中transform的方式：

1）如果是sign的：是表达力很强，但是由于是离散的，不好优化

2）如果是linear的：好优化，但整个网络也都相当于是个线性的了，失去了较强的学习能力

3）popular choice 是一种tanh(S)的转换器：

　　a. 这种转换器介于sign和linear之间，相当于是模拟化的sign

　　b. 同时这个转换函数的导数的性质又很好（与逻辑回归类似）

这样，神经网络的各个环节是啥已经搞清楚了。林接下来给出了神经网络各个部分的符号表示：

这里有个地方需要注意：每个隐层都有一个bias神经元，它与下一层的每个神经元都有权重连线（为了简便，bias设为常数1，对下一层每个神经元的偏置影响体现在权重连线上）

到此，可以给出神经网络的一个物理解释：前一层的输出作为厚一层的输入，每两个隐层之间的权重相当于两个隐层之间的匹配模式。

模型构造完成了，接下来就是如何学习模型的参数。

gradient boosting方法对于多层神经网络来说，有些太困难。

在这里，还是采用前人的梯度下降的思路来求解。问题的关键就是如何高效地计算出错误对于每个权重的导数。

这里先从最后一层的权重开始求解：这个求解利用了求导链式法则，讲每个神经元的输入分数s作为中间连接，就可以直观求解了。

林在这里将error与每个神经元的输入分数s的导数抽象出来，记为一个特殊符号delta。这样，就可以表示出来任意的error对于权重w的导数了。

每个神经元的输出x是很好求的（只要给定w，带入就可以求得了）；因此，下面只需要关注，如何把error对于权重w的导数求解出来。

这里求解delta采用了递归的思路：

1）sl经过tanh的计算→xl

2）xl经过下一层的权重→sl+1

沿着这两个思路，就把sl与sl+1给联系起来了，因此也获得了delta的递推关系。

又因为最后一层的delta是可以直接算出来的，因此，delta的计算思路也出来了，可以backwards的思路算出来。

上面就是伟大的BP神经网络求解算法，的原型。。。

1）S：选点

2）forward：（initial w）求x

3）backward：利用反向递推关系，求解delta

4）GD：对每个隐层权重更新

若干轮之后，返回整个神经网络的‘权重+偏置’参数

1）3）可以同步去做，获得若干个x*delta，然后average的动作后作用于4）（一周前面试的时候还被面试官问到了这个问题，现在看来就是取个平均，就可以获得mini-batch的效果了）

下面再补充一些NN的其他问题：

1）神经网络由于太太复杂了，因此GD的方法难免落入local minimum

2）有关初始化选取W的问题，无外乎两种选择：

　　a. 如果W选的很大，wx就会很大，优化作用不明显（联想tanh的函数图像，如果wx的绝对值很大，wx下一轮即使有比较大的变化，神经元的输出也变化不大了）

　　b. 因此，通常的做法是w取相对小一些，随机一些的值，这样貌似能好一些

有关VC Dimension的问题：神经网络越复杂，VC就越大。

只要神经网络的层数一旦多起来，神经元一旦多起来，VC Dimension自然就起来了。因此，regularization自然不可避免。

最常规的做法是损失函数中加一个L2 regularizer惩罚项。

但：

1）L2惩罚项的作用效果是不让每个权重分量太大，但确实成比例变化的（Large的shrink large, small的shrink small），总的来说没啥改变

2）L1惩罚项倒是可以让某些项目为0了，但是not differentiable，所以不好求解

因此，林介绍了一种新的regularizer：weight-elimination regularizer：

1）无论是原来是大的还是小的w分量，都会有同等效果的shrink（大的减小了，小的可能减没了）

2）differentiable，求解比L1容易一些

在这一节课的问题中，给出了weight-elimination的求导结果：

通过这个结果分析，其实我TM啥也分析不出来。。。有功夫再看原始的论文吧：http://papers.nips.cc/paper/323-generalization-by-weight-elimination-with-application-to-forecasting.pdf

另外，还有一种stop early的方法防止过拟合：

这个方法的背后思想史：

1）有理论保证：迭代的次数愈多，dvc就越大

2）联合VC Dimension理论，early stopping有助于防治过拟合