Hopfield 网络（上）

讲的什么

这部分主要对 Hopfield 网络作一大概的介绍。写了其模型结构、能量函数和网络的动作方式。主要参考了网上搜到的一些相关 PPT。

 

---

概述

早在 1982 年，Hopfield 发表的文章：【Neural networks and physical systems with emergent collective computational abilities】 中就提出了一种基于能量的模型（Energy Based Model，EBM）——可用作联想存储的互连网络，这算是现在人工神经网络的早期雏形，我们称该模型为 Hopfield 网络。
 

反馈网络

Hopfield 网络被认为是一种最典型的全反馈网络，可以看作一种非线性的动力学系统。反馈网络能够表现出非线性动力学系统的动态特性。它所具有的主要特性为以下两点：

• 网络系统具有若干个稳定状态。当网络从某一初始状态开始运动，网络系统总可以收敛到某一个稳定的平衡状态
• 系统稳定的平衡状态可以通过设计网络的权值而被存储到网络中

 

基于能量的模型

基于能量的模型是一种具有普适意义的模型，统计力学的结论表明，任何概率分布都可以转变成基于能量的模型。EBM 通过对变量的配置施加一个有范围限制的能量，即对每一个变量建立一个能量公式，来捕获这些变量之间的依赖关系。EBM 有两个主要的任务，

• 推断（Inference），它主要是在给定观察变量的情况，找到使能量值最小的那些隐变量的配置
• 学习（Learning），它主要是寻找一个恰当的能量函数，使得观察变量的能量比隐变量的能量低
   

Hopfield 网络功能

Hopfield 神经网络的提出就是与其实际应用密切相关。其主要功能在以下两个方面。

• 离散 Hopfield 网络主要用于联想记忆。输入-输出模式的各元素之间，并不存在一对一的映射关系，输入-输出模式的维数也不要求相同：联想记忆时，只给出输入模式部分信息，就能联想出完整的输出模式。即具有容错性
• 连续Hopfield 网络主要用于优化计算功能。优化计算在实际问题中有广泛的应用。如经典的 TSP 问题，工业生产和交通运输中的调度问题等。
   

---

模型结构

根据其激活函数的不同，Hopfield 神经网络有两种：离散 Hopfield 网络（Discrete Hopfield Neural Network，DHNN）和连续Hopfield 网络（Continues Hopfield Neural Network，CHNN）。
 

离散 Hopfield 网络

离散的 Hopfield 网络是二值神经网络，该模型的处理单元由神经元构成，每个神经元由两种状态：激活或者抑制状态，分别用 1 和 0 表示。神经元之间通过赋有权值的有向线段连接，通过求取全局状态的最小能量来训练模型。

以一个较简单的网络说明，如下图

图 1： 三神经元构成的 Hopfield 网络

它由三个神经元构成，图中的第 0 层仅仅是作为网络的输入，所以不把它当作实际的神经元，无计算功能，第 1 层是实际的神经元。设 \(y_i\) 表示第 \(i\) 个神经元的取值，\(x_i\) 表示第 \(i\) 个神经元的外部输入，可以理解为额外施加在神经元 \(i\) 上的固定偏置，功能相当于第 \(i\) 个神经元的阈值（threshold），\(W_{i,j}\) 表示第 \(j\) 个神经元到第 \(i\) 个神经元的连接权重。该简单模型的计算方式如下
\begin{align}
\begin{matrix}
y_i \rightarrow 1\\
y_i \rightarrow 0
\end{matrix} \quad \text{if} \quad \sum_{j \neq i}W_{ij}y_j+x_i \quad
\begin{matrix}
> 0 \\
< 0
\end{matrix}
\end{align}
其激活函数可以看成符号函数，即 \(g=\mathrm{sgn}\).

对于一个离散的 Hopfield 网络，其网络状态是输出神经元信息的集合。对于一个输出层是 \(n\) 个神经元的网络，则其 \(t\) 时刻的状态为一个 \(n\) 维向量：
\begin{align}
Y(t)=[y_1(t),y_2(t),\cdots,y_n(t)]^T
\end{align}
因为每个神经元有两个取值 1 或 0，故而网络共有 \(2^n\) 个状态。对于图 1 的 Hopfield 网络，它的输出层就是三位二进制数；每一个三位二进制数就是一种网络状态，从而共有 8 个网络状态。这些网络状态如图 2 所示。在图中，立方体的每一个顶角表示一种网络状态。

图 2：三神经元 Hopfield 网络输出状态

如果 Hopfield 网络是一个稳定网络，那么在网络的输入端加入一个输入向量，则网络的状态会产生变化，也就是从超立方体的一个顶角转移向另一个顶角，并且最终稳定于一个特定的顶角。

再提一下网络的稳定性。给定一个 DHNN 的目前状态 \(Y(t)\), 如果对于任何 \(\Delta t\), 当神经网络从 \(t=0\) 开始，有初始状态 \(Y(0)\). 经过有限时刻 \(t\), 有 \(Y(t+\Delta t)=Y(t)\), 则称网络是稳定的。 Coben 和 Grossberg 在 1983 年给出了关于 Hopfield 网络稳定的充分条件，他们指出：无自反馈的权重系数对称 Hopfield 网络是稳定的，即如果 Hopfield 网络的权系数矩阵 \(W\)是一个对称矩阵，并且，对角线元素为 0（\(W_{i,i}=0\)）．则这个网络是稳定的。需要注意的是这只是一个充分条件。
 

连续 Hopfield 网络

连续 Hopfield 网络（CHNN）拓扑结构和 DHNN 结构相同，不同之处在于其激活函数 \(g\) 不是阶跃函数，而是 S 形的连续函数，一般取 sigmoid 函数，即
\begin{align}
g(u)=\frac{1}{1+e^{-u}}
\end{align}

具体地暂时不讲了。

 

---

能量函数

关于能量函数怎么来的，我也解释不清楚，参考知乎：神经网络中的能量函数是如何定义的？

对 Hopfield 网络引入一个李亚普诺夫（Lyapunov） 函数，即所谓能量函数。Hopfield 在论文中给了一个特例的能量函数形式，即 \(W_{i,j}=W_{j,i}\), 节点阈值 \(U_i=0\), 则能量函数表达式为
\begin{align}
E=-\frac 12 {\sum\sum}_{i \neq j} W_{i,j}y_i y_j
\end{align}
该函数为可能有很多极小点的复杂图像。由于 \(\Delta y_i\) 引起的能量的变化 \(\Delta E\) 为
\begin{align}
\Delta E=- \frac 12\Delta y_i \sum_{j\neq i}W_{i,j}y_j
\end{align}
由于节点的二值性，\(\Delta y_i=\pm 1\) 时，\(\Delta E\) 才可能不为零，如果 \(\sum_{i\neq j}W_{i,j}y_j>0\), 则 \(\Delta y_i=1\)，如果 \(\sum_{i\neq j}W_{i,j}y_j<0\), 则 \(\Delta y_i=-1\), 可见始终成立 \(\Delta E \leqslant 0\), 即网络的能量函数是减函数。

这时假设了对称性，实际上式 (4) 的能量变化就不再是式 (5) 的形式了，它可以被拆分为两项
\begin{align}
\Delta E=- \frac 12 \Delta y_i \sum_{j\neq i}W_{i,j}y_j-\frac12 \Delta y_i \sum_{j\neq i}W_{j,i}y_j
\end{align}
注意此时 \(W\) 的下标不同。其中第一项仍是和对称时相同，即恒为负的，如果 \(W_{i.j}=W_{j,i}\)，另一项等同于第一项，否则的话，就是“随机的”，取决于 \(W\) 初始化的方式。

 

---

Hopfield 网络运作方式

反馈网络有两种基本的工作方式：串行异步和并行同步方式。

• 串行异步方式:在某一时刻只有一个神经元调整其状态，其余输出不变。由随机或预定顺序来选择该神经元
  \begin{align}
  y_i(t+1)=\begin{cases}
  g(net_i(t)) ,\quad i=j \\
  y_i(t),\quad i \neq j
  \end{cases}
  \end{align}
  其中 \(g\) 表示激活函数，\(net_i\) 表示第 \(i\) 个神经元的输入。每次神经元调整其状态时，根据其当前的输入值的大小决定下一时刻的状态，因此其状态可能发生改变，也可能保持原状。下次调整其他神经元状态时，本次的调整结果即在下一个神经元的输入中发挥作用
• 并行同步方式：部分或者所有神经元同时调整其状态。即
  \begin{align}
  y_i(t+1)= g(net_i(t))
  \end{align}
  和异步工作方式相同，每次神经元在调整状态时，根据其当前的输入值的大小决定下一时刻的状态。下次调整其它神经元状态时，本次的调整结果即在下一个神经元的输入中发挥作用。网络稳定时，每个神经元的状态都不再改变，此时的稳定状态就是网络的输出。

不管采取什么工作方式，基本运行步骤是类似的，以串行工作方式为例：

• 第一步：对网络进行初始化
• 第二步：从网络中随机选取一个神经元
• 第三步：求出该神经元 \(i\) 的输出
• 第四步：求出该神经元经激活函数处理后的输出，此时网络中的其他神经元的输出保持不变
• 第五步：判断网络是否达到稳定状态，若达到稳定状态或满足给定条件则结束；否则转到第二步继续运行

 

---

然后呢

下一部分讲学习规则，然后举个计算的例子。