|
新智元編譯 來源： 編譯：馬文 文強(qiáng) 本文來源：新智元 【導(dǎo)讀】本文總結(jié)了10個(gè)強(qiáng)大的深度學(xué)習(xí)方法，包括反向傳播,、隨機(jī)梯度下降,、學(xué)習(xí)率衰減、Dropout,、最大池化,、批量歸一化、長短時(shí)記憶,、Skip-gram,、連續(xù)詞袋、遷移學(xué)習(xí)等,，這是AI工程師可以應(yīng)用于他們的機(jī)器學(xué)習(xí)問題的,。 過去10年，人們對(duì)機(jī)器學(xué)習(xí)的興趣激增,。幾乎每天,，你都可以在各種各樣的計(jì)算機(jī)科學(xué)課程、行業(yè)會(huì)議,、華爾街日?qǐng)?bào)等等看到有關(guān)機(jī)器學(xué)習(xí)的討論,。在所有關(guān)于機(jī)器學(xué)習(xí)的討論中，許多人把機(jī)器學(xué)習(xí)能做的事情和他們希望機(jī)器學(xué)習(xí)做的事情混為一談,。從根本上講,，機(jī)器學(xué)習(xí)是使用算法從原始數(shù)據(jù)中提取信息，并在某種類型的模型中表示這些信息,。我們使用這個(gè)模型來推斷還沒有建模的其他數(shù)據(jù),。 神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)的一種模型，它們至少有50年歷史了,。神經(jīng)網(wǎng)絡(luò)的基本單元是節(jié)點(diǎn)（node）,，基本上是受哺乳動(dòng)物大腦中的生物神經(jīng)元啟發(fā),。神經(jīng)元之間的連接也以生物的大腦為模型，這些連接隨著時(shí)間的推移而發(fā)展的方式是為“訓(xùn)練”,。 在20世紀(jì)80年代中期和90年代初期,，許多重要的架構(gòu)進(jìn)步都是在神經(jīng)網(wǎng)絡(luò)進(jìn)行的。然而,，為了得到好的結(jié)果需要大量時(shí)間和數(shù)據(jù),，這阻礙了神經(jīng)網(wǎng)絡(luò)的采用，因而人們的興趣也減少了,。在21世紀(jì)初,，計(jì)算能力呈指數(shù)級(jí)增長，計(jì)算技術(shù)出現(xiàn)了“寒武紀(jì)大爆發(fā)”,。在這個(gè)10年的爆炸式的計(jì)算增長中,，深度學(xué)習(xí)成為這個(gè)領(lǐng)域的重要的競爭者，贏得了許多重要的機(jī)器學(xué)習(xí)競賽,。直到2017年,，這種興趣也還沒有冷卻下來；今天,，我們看到一說機(jī)器學(xué)習(xí),，就不得不提深度學(xué)習(xí)。 作者本人也注冊(cè)了Udacity的“Deep Learning”課程,，這門課很好地介紹了深度學(xué)習(xí)的動(dòng)機(jī),，以及從TensorFlow的復(fù)雜和/或大規(guī)模的數(shù)據(jù)集中學(xué)習(xí)的智能系統(tǒng)的設(shè)計(jì)。在課程項(xiàng)目中,，我使用并開發(fā)了用于圖像識(shí)別的卷積神經(jīng)網(wǎng)絡(luò),，用于自然語言處理的嵌入式神經(jīng)網(wǎng)絡(luò)，以及使用循環(huán)神經(jīng)網(wǎng)絡(luò)/長短期記憶的字符級(jí)文本生成,。 本文中,，作者總結(jié)了10個(gè)強(qiáng)大的深度學(xué)習(xí)方法，這是AI工程師可以應(yīng)用于他們的機(jī)器學(xué)習(xí)問題的,。首先,，下面這張圖直觀地說明了人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)三者之間的關(guān)系,。 人工智能的領(lǐng)域很廣泛,，深度學(xué)習(xí)是機(jī)器學(xué)習(xí)領(lǐng)域的一個(gè)子集，機(jī)器學(xué)習(xí)又是人工智能的一個(gè)子領(lǐng)域,。將深度學(xué)習(xí)網(wǎng)絡(luò)與“經(jīng)典的”前饋式多層網(wǎng)絡(luò)區(qū)分開來的因素如下:
這里說的“更多的神經(jīng)元”時(shí),，是指神經(jīng)元的數(shù)量在逐年增加，以表達(dá)更復(fù)雜的模型,。層（layers）也從多層網(wǎng)絡(luò)中的每一層都完全連接,，到在卷積神經(jīng)網(wǎng)絡(luò)中層之間連接局部的神經(jīng)元,，再到在循環(huán)神經(jīng)網(wǎng)絡(luò)中與同一神經(jīng)元的循環(huán)連接（ recurrent connections）。 深度學(xué)習(xí)可以被定義為具有大量參數(shù)和層的神經(jīng)網(wǎng)絡(luò),，包括以下四種基本網(wǎng)絡(luò)結(jié)構(gòu)：
在本文中,，主要介紹后三種架構(gòu)?；旧希矸e神經(jīng)網(wǎng)絡(luò)（CNN）是一個(gè)標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò),，通過共享的權(quán)重在空間中擴(kuò)展,。CNN設(shè)計(jì)用于通過內(nèi)部的卷積來識(shí)別圖像，它可以看到圖像中待識(shí)別的物體的邊緣,。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）被設(shè)計(jì)用于識(shí)別序列,，例如語音信號(hào)或文本。它的內(nèi)部有循環(huán),，這意味著網(wǎng)絡(luò)上有短的記憶,。遞歸神經(jīng)網(wǎng)絡(luò)更像是一個(gè)層級(jí)網(wǎng)絡(luò)，在這個(gè)網(wǎng)絡(luò)中,，輸入必須以一種樹的方式進(jìn)行分層處理,。下面的10種方法可以應(yīng)用于所有這些架構(gòu)。 反向傳播（Back-prop）是一種計(jì)算函數(shù)偏導(dǎo)數(shù)（或梯度）的方法,，具有函數(shù)構(gòu)成的形式（就像神經(jīng)網(wǎng)絡(luò)中）,。當(dāng)使用基于梯度的方法（梯度下降只是方法之一）解決優(yōu)化問題時(shí)，你需要在每次迭代中計(jì)算函數(shù)梯度,。 對(duì)于神經(jīng)網(wǎng)絡(luò),，目標(biāo)函數(shù)具有組合的形式。如何計(jì)算梯度呢,？有兩種常用的方法：(i)解析微分（Analytic differentiation）,。你已經(jīng)知道函數(shù)的形式，只需要用鏈?zhǔn)椒▌t（基本微積分）來計(jì)算導(dǎo)數(shù),。(ii)利用有限差分進(jìn)行近似微分,。這種方法在計(jì)算上很昂貴，因?yàn)楹瘮?shù)值的數(shù)量是O(N),，N指代參數(shù)的數(shù)量,。不過，有限差分通常用于在調(diào)試時(shí)驗(yàn)證back-prop實(shí)現(xiàn),。 一種直觀理解梯度下降的方法是想象一條河流從山頂流下的路徑,。梯度下降的目標(biāo)正是河流努力達(dá)到的目標(biāo)——即，到達(dá)最底端（山腳）,。 現(xiàn)在,，如果山的地形是這樣的,，在到達(dá)最終目的地之前，河流不會(huì)完全停下來（這是山腳的最低點(diǎn),，那么這就是我們想要的理想情況,。）在機(jī)器學(xué)習(xí)中，相當(dāng)從初始點(diǎn)（山頂）開始,，我們找到了解決方案的全局最?。ɑ蜃罴眩┙狻Ｈ欢?，可能因?yàn)榈匦蔚男再|(zhì)迫使河流的路徑出現(xiàn)幾個(gè)坑,，這可能迫使河流陷入困境。在機(jī)器學(xué)習(xí)術(shù)語中,，這些坑被稱為局部極小值,，這是不可取的。有很多方法可以解決這個(gè)問題,。 因此,，梯度下降很容易被困在局部極小值，這取決于地形的性質(zhì)（用ML的術(shù)語來說是函數(shù)的性質(zhì)),。但是,，當(dāng)你有一種特殊的地形時(shí)（形狀像一個(gè)碗，用ML的術(shù)語來說,，叫做凸函數(shù)）,，算法總是保證能找到最優(yōu)解。凸函數(shù)對(duì)ML的優(yōu)化來說總是好事,，取決于函數(shù)的初始值,，你可能會(huì)以不同的路徑結(jié)束。同樣地,，取決于河流的速度（即,，梯度下降算法的學(xué)習(xí)速率或步長），你可能以不同的方式到達(dá)最終目的地,。這兩個(gè)標(biāo)準(zhǔn)都會(huì)影響到你是否陷入坑里（局部極小值）,。 根據(jù)隨機(jī)梯度下降的優(yōu)化過程調(diào)整學(xué)習(xí)率（learning rate）可以提高性能并減少訓(xùn)練時(shí)間。 有時(shí)這被稱為學(xué)習(xí)率退火（ learning rate annealing）或自適應(yīng)學(xué)習(xí)率（adaptive learning rates）,。訓(xùn)練過程中最簡單,，也是最常用的學(xué)習(xí)率適應(yīng)是隨著時(shí)間的推移而降低學(xué)習(xí)度。 在訓(xùn)練過程開始時(shí)使用較大學(xué)習(xí)率具有進(jìn)行大的改變的好處,，然后降低學(xué)習(xí)率,，使得后續(xù)對(duì)權(quán)重的訓(xùn)練更新更小。這具有早期快速學(xué)習(xí)好權(quán)重，后面進(jìn)行微調(diào)的效果,。 兩種常用且易于使用的學(xué)習(xí)率衰減方法如下：
具有大量參數(shù)的深度神經(jīng)網(wǎng)絡(luò)是非常強(qiáng)大的機(jī)器學(xué)習(xí)系統(tǒng),。然而,，過擬合在這樣的網(wǎng)絡(luò)中是一個(gè)嚴(yán)重的問題。大型網(wǎng)絡(luò)的使用也很緩慢,，這使得在測試時(shí)將許多不同的大型神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)合起來變得困難,。Dropout是解決這個(gè)問題的一種方法。 Dropout 的關(guān)鍵想法是在訓(xùn)練過程中隨機(jī)地從神經(jīng)網(wǎng)絡(luò)中把一些units（以及它們的連接）從神經(jīng)網(wǎng)絡(luò)中刪除,。這樣可以防止單元過度適應(yīng),。在訓(xùn)練過程中，從一個(gè)指數(shù)級(jí)的不同的“稀疏”網(wǎng)絡(luò)中刪除一些樣本,。在測試時(shí)，通過簡單地使用一個(gè)具有較小權(quán)重的單一網(wǎng)絡(luò),，可以很容易地估計(jì)所有這些“變瘦”了的網(wǎng)絡(luò)的平均預(yù)測效果,。這顯著減少了過擬合，相比其他正則化方法有了很大改進(jìn),。研究表明,，在視覺、語音識(shí)別,、文檔分類和計(jì)算生物學(xué)等監(jiān)督學(xué)習(xí)任務(wù)中,，神經(jīng)網(wǎng)絡(luò)的表現(xiàn)有所提高，在許多基準(zhǔn)數(shù)據(jù)集上獲得了state-of-the-art的結(jié)果,。 最大池化（Max pooling）是一個(gè)基于樣本的離散化過程,。目標(biāo)是對(duì)輸入表示（圖像，隱藏層輸出矩陣等）進(jìn)行下采樣,，降低其維度,，并允許對(duì)包含在分區(qū)域中的特征進(jìn)行假設(shè)。 這在一定程度上是為了通過提供一種抽象的表示形式來幫助過擬合,。同時(shí),，它通過減少學(xué)習(xí)的參數(shù)數(shù)量，并為內(nèi)部表示提供基本的平移不變性（translation invariance）,，從而減少計(jì)算成本,。最大池化是通過將一個(gè)最大過濾器應(yīng)用于通常不重疊的初始表示的子區(qū)域來完成的。 當(dāng)然,，包括深度網(wǎng)絡(luò)在內(nèi)的神經(jīng)網(wǎng)絡(luò)需要仔細(xì)調(diào)整權(quán)重初始化和學(xué)習(xí)參數(shù),。而批量標(biāo)準(zhǔn)化有助于實(shí)現(xiàn)這一點(diǎn)。 權(quán)重問題：無論權(quán)重的初始化如何，是隨機(jī)的也好是經(jīng)驗(yàn)性的選擇也罷,，都距離學(xué)習(xí)到的權(quán)重很遙遠(yuǎn),。考慮一個(gè)小批量（mini batch）,，在最初時(shí),，在所需的特征激活方面將會(huì)有許多異常值。 深度神經(jīng)網(wǎng)絡(luò)本身是有缺陷的,，初始層中一個(gè)微小的擾動(dòng),，就會(huì)導(dǎo)致后面層巨大的變化。在反向傳播過程中,，這些現(xiàn)象會(huì)導(dǎo)致對(duì)梯度的分散,，這意味著在學(xué)習(xí)權(quán)重以產(chǎn)生所需輸出之前，梯度必須補(bǔ)償異常值,，而這將導(dǎo)致需要額外的時(shí)間才能收斂,。 批量歸一化將梯度從分散規(guī)范化到正常值，并在小批量范圍內(nèi)向共同目標(biāo)（通過歸一化）流動(dòng),。 學(xué)習(xí)率問題：一般來說,，學(xué)習(xí)率保持較低，只有一小部分的梯度校正權(quán)重,，原因是異常激活的梯度不應(yīng)影響學(xué)習(xí)的激活,。通過批量歸一化，減少異常激活,，因此可以使用更高的學(xué)習(xí)率來加速學(xué)習(xí)過程,。 LSTM網(wǎng)絡(luò)在以下三個(gè)方面與RNN的神經(jīng)元不同：
LSTM的優(yōu)點(diǎn)在于它根據(jù)當(dāng)前的輸入本身來決定所有這些。所以,，你看下面的圖表： 當(dāng)前時(shí)間標(biāo)記處的輸入信號(hào)x（t）決定所有上述3點(diǎn),。輸入門從點(diǎn)1接收決策，遺忘門從點(diǎn)2接收決策,，輸出門在點(diǎn)3接收決策,，單獨(dú)的輸入能夠完成所有這三個(gè)決定。這受到我們的大腦如何工作的啟發(fā),，并且可以基于輸入來處理突然的上下文/場景切換,。 詞嵌入模型的目標(biāo)是為每個(gè)詞匯項(xiàng)學(xué)習(xí)一個(gè)高維密集表示，其中嵌入向量之間的相似性顯示了相應(yīng)詞之間的語義或句法相似性,。Skip-gram是學(xué)習(xí)單詞嵌入算法的模型,。 Skip-gram模型（以及許多其他的詞語嵌入模型）的主要思想是：如果兩個(gè)詞匯項(xiàng)（vocabulary term）共享的上下文相似，那么這兩個(gè)詞匯項(xiàng)就相似。 換句話說,，假設(shè)你有一個(gè)句子,，比如“貓是哺乳動(dòng)物”。如果你用“狗”去替換“貓”,，這個(gè)句子仍然是一個(gè)有意義的句子,。因此在這個(gè)例子中，“狗”和“貓”可以共享相同的上下文（即“是哺乳動(dòng)物”）,。 基于上述假設(shè),，你可以考慮一個(gè)上下文窗口（context window，一個(gè)包含k個(gè)連續(xù)項(xiàng)的窗口）,，然后你跳過其中一個(gè)單詞,，試著去學(xué)習(xí)一個(gè)能夠得到除跳過項(xiàng)外所有項(xiàng)的神經(jīng)網(wǎng)絡(luò)，并預(yù)測跳過的項(xiàng)是什么,。如果兩個(gè)詞在一個(gè)大語料庫中反復(fù)共享相似的語境,，則這些詞的嵌入向量將具有相近的向量。 在自然語言處理問題中,，我們希望學(xué)習(xí)將文檔中的每個(gè)單詞表示為一個(gè)數(shù)字向量,，使得出現(xiàn)在相似的上下文中的單詞具有彼此接近的向量。在連續(xù)的單詞模型中,，我們的目標(biāo)是能夠使用圍繞特定單詞的上下文并預(yù)測特定單詞,。 我們通過在一個(gè)龐大的語料庫中抽取大量的句子來做到這一點(diǎn),，每當(dāng)我們看到一個(gè)單詞時(shí),，我們就會(huì)提取它周圍的單詞。然后,，我們將上下文單詞輸入到一個(gè)神經(jīng)網(wǎng)絡(luò),，并預(yù)測位于這個(gè)上下文中心的單詞。 當(dāng)我們有成千上萬的這樣的上下文單詞和中心詞以后,，我們就有了一個(gè)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集的實(shí)例,。訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后編碼的隱藏層輸出表示特定單詞的嵌入,。而當(dāng)我們對(duì)大量的句子進(jìn)行訓(xùn)練時(shí)也能發(fā)現(xiàn),，類似語境中的單詞得到的是相似的向量。 讓我們考慮圖像如何穿過卷積神經(jīng)網(wǎng)絡(luò),。假設(shè)你有一個(gè)圖像,，你應(yīng)用卷積，并得到像素的組合作為輸出,。假設(shè)這些輸出是邊緣（edge）?，F(xiàn)在再次應(yīng)用卷積，現(xiàn)在你的輸出就是邊或線的組合。然后再次應(yīng)用卷積,，你的輸出是線的組合,，以此類推……你可以把它看作是每一層尋找一個(gè)特定的模式。神經(jīng)網(wǎng)絡(luò)的最后一層往往會(huì)變得非常特異化,。如果你在ImageNet上工作,，你的網(wǎng)絡(luò)最后一層大概就是在尋找兒童、狗或飛機(jī)等整體圖案,。再往后倒退幾層,，你可能會(huì)看到網(wǎng)絡(luò)在尋找眼睛或耳朵或嘴巴或輪子這樣的組成部件。
深度CNN中的每一層都逐步建立起越來越高層次的特征表征,。最后幾層往往是專門針對(duì)輸入模型的數(shù)據(jù),。另一方面，早期的圖層更為通用,。而遷移學(xué)習(xí)就是當(dāng)你在一個(gè)數(shù)據(jù)集上訓(xùn)練CNN時(shí),，切掉最后一層，在不同的數(shù)據(jù)集上重新訓(xùn)練最后一層的模型,。直觀地說,，你正在重新訓(xùn)練模型以識(shí)別不同的高級(jí)特征。因此,，訓(xùn)練時(shí)間會(huì)減少很多,，所以當(dāng)你沒有足夠的數(shù)據(jù)或者訓(xùn)練需要太多的資源時(shí)，遷移學(xué)習(xí)是一個(gè)有用的工具,。 這篇文章簡單介紹了深度學(xué)習(xí),，如果你想了解更多更深層次的東西，建議你繼續(xù)閱讀以下資料：
深度學(xué)習(xí)強(qiáng)烈注重技術(shù),。對(duì)每一個(gè)新想法都沒有太多具體的解釋,。 大多數(shù)新想法都附帶了實(shí)驗(yàn)結(jié)果來證明它們能夠工作。深度學(xué)習(xí)就像玩樂高,。掌握樂高跟掌握其他藝術(shù)一樣具有挑戰(zhàn)性,，但入門樂高可是相對(duì)容易很多的。祝你學(xué)習(xí)愉快~ 原文：https:///the-10-deep-learning-methods-ai-practitioners-need-to-apply-885259f402c1 |
|
|
