转【面向代码】学习 Deep Learning（二）Deep Belief Nets(DBNs)

【面向代码】学习 Deep Learning（二）Deep Belief Nets(DBNs)

http://blog.csdn.net/dark_scope/article/details/9447967

分类：机器学习2013-07-24 11:50 517人阅读评论(5) 收藏举报

目录(?)[-]

==========================================================================================

最近一直在看Deep Learning，各类博客、论文看得不少

但是说实话，这样做有些疏于实现，一来呢自己的电脑也不是很好，二来呢我目前也没能力自己去写一个toolbox

只是跟着Andrew Ng的UFLDL tutorial 写了些已有框架的代码(这部分的代码见github)

后来发现了一个matlab的Deep Learning的toolbox，发现其代码很简单，感觉比较适合用来学习算法

再一个就是matlab的实现可以省略掉很多数据结构的代码，使算法思路非常清晰

所以我想在解读这个toolbox的代码的同时来巩固自己学到的，同时也为下一步的实践打好基础

(本文只是从代码的角度解读算法，具体的算法理论步骤还是需要去看paper的

我会在文中给出一些相关的paper的名字，本文旨在梳理一下算法过程，不会深究算法原理和公式)

==========================================================================================

使用的代码：DeepLearnToolbox ，下载地址：点击打开，感谢该toolbox的作者

==========================================================================================

今天介绍DBN的内容，其中关键部分都是(Restricted Boltzmann Machines, RBM)的步骤，所以先放一张rbm的结构，帮助理解

(图来自baidu的一个讲解ppt)

==========================================================================================

照例，我们首先来看一个完整的DBN的例子程序：

这是\tests\test_example_DBN.m 中的ex2

[cpp] view plain copy

//train dbn
dbn.sizes = [100 100];
opts.numepochs = 1;
opts.batchsize = 100;
opts.momentum = 0;
opts.alpha = 1;
dbn =dbnsetup(dbn, train_x, opts); //here！！！
dbn = dbntrain(dbn, train_x, opts); //here！！！
//unfold dbn to nn
nn = dbnunfoldtonn(dbn, 10); //here！！！
nn.activation_function = 'sigm';
//train nn
opts.numepochs = 1;
opts.batchsize = 100;
nn = nntrain(nn, train_x, train_y, opts);
[er, bad] = nntest(nn, test_x, test_y);
assert(er < 0.10, 'Too big error');

其中的过程简单清晰明了，就是dbnsetup(),dbntrain()以及dbnunfoldtonn()三个函数

最后fine tuning的时候用了（一）里看过的nntrain和nntest，参见（一）

\DBN\dbnsetup.m

这个实在没什么好说的，

直接分层初始化每一层的rbm(受限波尔兹曼机(Restricted Boltzmann Machines, RBM))
同样，W,b,c是参数，vW,vb,vc是更新时用到的与momentum的变量，见到代码时再说

[cpp] view plain copy

for u = 1 : numel(dbn.sizes) - 1
dbn.rbm{u}.alpha = opts.alpha;
dbn.rbm{u}.momentum = opts.momentum;
dbn.rbm{u}.W = zeros(dbn.sizes(u + 1), dbn.sizes(u));
dbn.rbm{u}.vW = zeros(dbn.sizes(u + 1), dbn.sizes(u));
dbn.rbm{u}.b = zeros(dbn.sizes(u), 1);
dbn.rbm{u}.vb = zeros(dbn.sizes(u), 1);
dbn.rbm{u}.c = zeros(dbn.sizes(u + 1), 1);
dbn.rbm{u}.vc = zeros(dbn.sizes(u + 1), 1);
end

\DBN\dbntrain.m

应为DBN基本就是把rbm当做砖块搭建起来的，所以train也很简单

[cpp] view plain copy

function dbn = dbntrain(dbn, x, opts)
n = numel(dbn.rbm);
//对每一层的rbm进行训练
dbn.rbm{1} = rbmtrain(dbn.rbm{1}, x, opts);
for i = 2 : n
x = rbmup(dbn.rbm{i - 1}, x);
dbn.rbm{i} = rbmtrain(dbn.rbm{i}, x, opts);
end
end

首先映入眼帘的是对第一层进行rbmtrain()，后面每一层在train之前用了rbmup，

rbmup其实就是简单的一句sigm(repmat(rbm.c', size(x, 1), 1) + x * rbm.W');

也就是上面那张图从v到h计算一次，公式是Wx+c

接下来是最关键的rbmtrain了：

\DBN\rbmtrain.m

代码如下，说明都在注释里

论文参考：【1】Learning Deep Architectures for AI 以及

【2】A Practical Guide to Training Restricted Boltzmann Machines

你可以和【1】里面的这段伪代码对应一下

[cpp] view plain copy

for i = 1 : opts.numepochs //迭代次数
kk = randperm(m);
err = 0;
for l = 1 : numbatches
batch = x(kk((l - 1) * opts.batchsize + 1 : l * opts.batchsize), :);
v1 = batch;
h1 = sigmrnd(repmat(rbm.c', opts.batchsize, 1) + v1 * rbm.W'); //gibbs sampling的过程
v2 = sigmrnd(repmat(rbm.b', opts.batchsize, 1) + h1 * rbm.W);
h2 = sigmrnd(repmat(rbm.c', opts.batchsize, 1) + v2 * rbm.W');
//Contrastive Divergence 的过程
//这和《Learning Deep Architectures for AI》里面写cd-1的那段pseudo code是一样的
c1 = h1' * v1;
c2 = h2' * v2;
//关于momentum，请参看Hinton的《A Practical Guide to Training Restricted Boltzmann Machines》
//它的作用是记录下以前的更新方向，并与现在的方向结合下，跟有可能加快学习的速度
rbm.vW = rbm.momentum * rbm.vW + rbm.alpha * (c1 - c2) / opts.batchsize;
rbm.vb = rbm.momentum * rbm.vb + rbm.alpha * sum(v1 - v2)' / opts.batchsize;
rbm.vc = rbm.momentum * rbm.vc + rbm.alpha * sum(h1 - h2)' / opts.batchsize;
//更新值
rbm.W = rbm.W + rbm.vW;
rbm.b = rbm.b + rbm.vb;
rbm.c = rbm.c + rbm.vc;
err = err + sum(sum((v1 - v2) .^ 2)) / opts.batchsize;
end
end

\DBN\dbnunfoldtonn.m

DBN的每一层训练完成后自然还要把参数传递给一个大的NN，这就是这个函数的作用

[cpp] view plain copy

function nn = dbnunfoldtonn(dbn, outputsize)
%DBNUNFOLDTONN Unfolds a DBN to a NN
% outputsize是你的目标输出label，比如在MINST就是10，DBN只负责学习feature
% 或者说初始化Weight，是一个unsupervised learning，最后的supervised还得靠NN
if(exist('outputsize','var'))
size = [dbn.sizes outputsize];
else
size = [dbn.sizes];
end
nn = nnsetup(size);
%把每一层展开后的Weight拿去初始化NN的Weight
%注意dbn.rbm{i}.c拿去初始化了bias项的值
for i = 1 : numel(dbn.rbm)
nn.W{i} = [dbn.rbm{i}.c dbn.rbm{i}.W];
end
end

最后fine tuning就再训练一下NN就可以了

总结

还是那句话，本文只是梳理一下学习路线，具体的东西还是要靠paper

dbn主要的关键就是rbm，推荐几篇经典的文章吧，rbm可是Hinton的宝贝啊

其中涉及到MCMC，Contrastive divergence，感觉比Autoencoder难理解多了

[1] An Introduction to Restricted Boltzmann Machines

[2] Learning Deep Architectures for AI Bengio大作啊

[3] A Practical Guide to Training Restricted Boltzmann Machines 上面提到过，比较细致

[4] A learning Algorithm for Boltzmann Machines Hinton的

分享到：

上一篇：【面向代码】学习 Deep Learning（一）Neural Network

下一篇：【面向代码】学习 Deep Learning（三）Convolution Neural Network(CNN)

顶: 0

踩: 0

查看评论

2楼 _呕哑嘲哳 2013-07-28 12:35发表 [回复]

1. 图模型上的区别就是有向与无向具体在算法上是如何体现的呢
2. 这样DBN就只是实现了用来初始化后面的fine tuning和分类实现还是必须由NN/BP来实现

Re: Dark_Scope 2013-07-28 12:54发表 [回复]

回复Dan7291125：1.其实我也不是很了解，我目前只看了DBN，你可以看看这个，may help：http://www.sigvc.org/bbs/thread-524-1-1.html
2.是的，SAE其实也是这样的

Re: _呕哑嘲哳 2013-07-29 09:24发表 [回复]: 回复Dark_Scope：Thanks~

1楼 _呕哑嘲哳 2013-07-28 10:44发表 [回复]

请问一下两个问题：
1. DBN中每层rbm是单独训练叠加的 DBM中每层rbm不是独立的，这是DBN和DBM的区别所在么？
2. DBN中的每层rbm单独训练，得到的参数用来直接初始化NN的参数和用RBM逐层非监督建立结构再用NN进行监督调整其实是一个意思吧？

Re: Dark_Scope 2013-07-28 12:04发表 [回复]: 回复Dan7291125：1.yeah，图模型不一样
2.初始化之后还要训练NN来调整，叫做fine tuning，之前做的只是初始化参数值而已