你需要知道的深度學(xué)習(xí)的10個方法

在過去十年中，人們對機器學(xué)習(xí)的興趣激增。幾乎每天，我們都可以在各種各樣的計算機科學(xué)課程、行業(yè)會議、華爾街日報等等看到有關(guān)機器學(xué)習(xí)的討論。在所有關(guān)于機器學(xué)習(xí)的討論中，許多人把機器學(xué)習(xí)能做的事情和他們希望機器學(xué)習(xí)做的事情混為一談。從根本上講，機器學(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（node），基本上是受哺乳動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，許多重要的模型架構(gòu)進(jìn)步都是在神經(jīng)網(wǎng)絡(luò)中進(jìn)行的。然而，為了獲得良好性能所需的時間和數(shù)據(jù)越來越多，這極大的降低了研究人員的興趣。在21世紀(jì)初期，計算能力呈指數(shù)級增長，研究人員看到了計算機技術(shù)的“寒武紀(jì)爆發(fā)”。作為該領(lǐng)域的一個重要競爭者——深度學(xué)習(xí)，因為計算能力的爆炸式增長，贏得了許多重要的機器學(xué)習(xí)競賽。截至目前，這種趨勢仍然沒有減退;今天，我們看到機器學(xué)習(xí)的每個角落都提到了深度學(xué)習(xí)。

最近，我開始閱讀有關(guān)該深度學(xué)習(xí)的學(xué)術(shù)論文。根據(jù)我的研究，以下是一些對該領(lǐng)域的發(fā)展產(chǎn)生巨大影響的出版物：

紐約大學(xué)基于梯度的學(xué)習(xí)應(yīng)用于文檔識別（1998），它將卷積神經(jīng)網(wǎng)絡(luò)引入機器學(xué)習(xí)世界。

多倫多大學(xué)的DeepBoltzmann Machines（2009），它為Boltzmann機器提供了一種新的學(xué)習(xí)算法，包含許多隱藏變量層。

斯坦福和谷歌使用大規(guī)模無監(jiān)督學(xué)習(xí)構(gòu)建高級功能（2012），解決了僅使用未標(biāo)記數(shù)據(jù)構(gòu)建高級，類特定功能檢測器的問題。

Berkeley的DeCAF-一種用于通用視覺識別的深度卷積激活功能（2013），它發(fā)布了DeCAF，這是一種深度卷積激活功能的開源實現(xiàn)，以及所有相關(guān)的網(wǎng)絡(luò)參數(shù)，使視覺研究人員能夠進(jìn)行深度實驗跨越一系列視覺概念學(xué)習(xí)范例的表示。

DeepMind使用Deep ReinforcementLearning（2016）播放Atari，它提供了第一個深度學(xué)習(xí)模型，可以使用強化學(xué)習(xí)直接從高維感覺輸入成功學(xué)習(xí)控制策略。

通過研究和學(xué)習(xí)論文，我學(xué)到了很多關(guān)于深度學(xué)習(xí)的豐富知識。在這里，我想分享AI工程師可以應(yīng)用于機器學(xué)習(xí)問題的10種強大的深度學(xué)習(xí)方法。但首先，讓我們來定義深度學(xué)習(xí)是什么。深度學(xué)習(xí)對于許多人來說是一個挑戰(zhàn)，因為它的形式在過去十年中逐漸發(fā)生了改變。為了向各位更好的說明深層學(xué)習(xí)的地位，下圖說明了人工智能，機器學(xué)習(xí)和深度學(xué)習(xí)之間關(guān)系的概念。

人工智能領(lǐng)域很廣泛，并且已經(jīng)存在了很長時間。深度學(xué)習(xí)是機器學(xué)習(xí)領(lǐng)域的一個子集，而機器學(xué)習(xí)只是人工智能的一個子領(lǐng)域。將深度學(xué)習(xí)網(wǎng)絡(luò)與之前的前饋多層網(wǎng)絡(luò)進(jìn)行區(qū)分：

深度學(xué)習(xí)比以前的網(wǎng)絡(luò)更多的神經(jīng)元；

深度學(xué)習(xí)中有更復(fù)雜的連接層的方式；

“寒武紀(jì)爆炸”的提供的計算能力；

深度學(xué)習(xí)可以自動進(jìn)行特征提取。

當(dāng)我說到“更多神經(jīng)元”時，是指近年來神經(jīng)元的數(shù)量不斷增加，深度學(xué)習(xí)就可以表示更為復(fù)雜的模型。層也從多層網(wǎng)絡(luò)中每一層的完全連接，進(jìn)化成卷積神經(jīng)網(wǎng)絡(luò)中神經(jīng)元片段的局部連接，以及與遞歸神經(jīng)網(wǎng)絡(luò)中的同一神經(jīng)元的循環(huán)連接（與前一層的連接除外）。

深度學(xué)習(xí)可以被定義為具有大量參數(shù)和層數(shù)的神經(jīng)網(wǎng)絡(luò)：

無人監(jiān)督的預(yù)訓(xùn)練網(wǎng)絡(luò)；

卷積神經(jīng)網(wǎng)絡(luò)；

循環(huán)神經(jīng)網(wǎng)絡(luò)；

遞歸神經(jīng)網(wǎng)絡(luò)。

在這篇文章中，我主要對后三種網(wǎng)絡(luò)進(jìn)行講解。卷積神經(jīng)網(wǎng)絡(luò)（CNN）基本上式已經(jīng)跨越使用共享權(quán)重的空間延伸的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)。CNN旨在通過在內(nèi)部的卷積來識別圖像，該卷積看到圖像上識別對象的邊緣。遞歸神經(jīng)網(wǎng)絡(luò)基本上是一個使用時間延伸擴(kuò)展空間的標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)，它提取進(jìn)入下一時間步的邊沿，而不是在同一時間進(jìn)入下一層。RNN進(jìn)行序列識別，例如語音或文本信號，因其內(nèi)部具有循環(huán)，意味著在RNN網(wǎng)絡(luò)中存在短時記憶。遞歸神經(jīng)網(wǎng)絡(luò)更類似于分層網(wǎng)絡(luò)，其中輸入序列實際上與時間無關(guān)，但輸入必須以樹狀方式分層處理。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反向傳播只是一種簡單計算函數(shù)的偏導(dǎo)數(shù)的方法，它具有函數(shù)組合的形式（如神經(jīng)網(wǎng)絡(luò)中）。當(dāng)你使用基于梯度的方法解決最優(yōu)化問題（梯度下降只是其中之一）時，你希望在每次迭代時計算函數(shù)漸變，這個時候它便可以發(fā)揮作用。

對于神經(jīng)網(wǎng)絡(luò)，其目標(biāo)函數(shù)具有組合的形式。你如何計算梯度？有兩種常見的方法可以做到：（i）分析微分法。如果你知道函數(shù)的形式，你只需使用鏈?zhǔn)揭?guī)則（基本微積分）計算導(dǎo)數(shù)。（ii）有限差分的近似微分。該方法在計算上是昂貴的，因為評估函數(shù)的數(shù)量是O（N），其中N是參數(shù)的數(shù)量。與解析微分相比，這種方法的計算成本是昂貴的。在調(diào)試時，通常使用有限差分驗證反向傳播的執(zhí)行效果。

隨機梯度下降

想象梯度下降的直觀方式是想象一條源自山頂?shù)暮恿鞯穆窂健Ｌ荻认陆档哪繕?biāo)正是河流努力實現(xiàn)的目標(biāo)，即從山頂流到最低點。

現(xiàn)在，如果山的地形形狀使得河流在到達(dá)其最終目的地之前不必完全停在任何地方，這是我們想要的理想情況。在機器學(xué)習(xí)中，這相當(dāng)于說，我們已經(jīng)從初始點（山頂）開始找到解決方案的全局最小值（或最優(yōu)值）。然而，可能由于地形性質(zhì)，導(dǎo)致河流路徑出現(xiàn)若干的坑洼，會迫使河流困住和停滯。在機器學(xué)習(xí)方面，這種坑洼被稱為局部最優(yōu)解，這是我們不想要的情況。當(dāng)然有很多方法可以解決局部最優(yōu)解問題，這里我不打算進(jìn)一步討論。

因此，梯度下降傾向于陷入局部最小值，這取決于地形的性質(zhì)（或ML術(shù)語中的函數(shù)）。但是，當(dāng)你有一種特殊的山地形狀（形狀像一個碗，用ML術(shù)語稱為凸函數(shù)）時，算法始終能夠找到最優(yōu)值。你可以想象將這條河流可視化。在機器學(xué)習(xí)中，這些特殊的地形（也稱為凸函數(shù)）總是需要優(yōu)化的。另外，你從山頂開始（即函數(shù)的初始值）的位置不同，最終你到達(dá)山底的路徑也完全不同。同樣，根據(jù)河流的流淌速度（即梯度下降算法的學(xué)習(xí)速率或步長），你可能會以不同的方式到達(dá)目的地。你是否會陷入或避免一個坑（局部最?。?，都會被這兩個標(biāo)準(zhǔn)影響。

學(xué)習(xí)速率衰減

調(diào)整隨機梯度下降優(yōu)化程序的學(xué)習(xí)速率可以提高性能并縮短訓(xùn)練時間。有時這也被稱為學(xué)習(xí)率退火或自適應(yīng)學(xué)習(xí)率。在訓(xùn)練期間最簡單且最常用的學(xué)習(xí)率調(diào)整是隨時間降低學(xué)習(xí)率的技術(shù)。在訓(xùn)練初期使用較大的學(xué)習(xí)速率值，可以對學(xué)習(xí)速率進(jìn)行大幅調(diào)整；在訓(xùn)練后期，降低學(xué)習(xí)速率，使模型以一個較小的速率進(jìn)行權(quán)重的更新。這種技術(shù)在早期可以快速學(xué)習(xí)獲得一些較好的權(quán)重，并在后期對權(quán)重進(jìn)行微調(diào)。

兩種流行且易于使用的學(xué)習(xí)率衰減如下：

在每個環(huán)節(jié)逐漸降低學(xué)習(xí)率。

在特定時期使用大幅下降來降低學(xué)習(xí)速率。

Dropout

具有大量參數(shù)的深度神經(jīng)網(wǎng)絡(luò)是非常強大的機器學(xué)習(xí)系統(tǒng)。然而，過度擬合是這種網(wǎng)絡(luò)中的嚴(yán)重問題。大型網(wǎng)絡(luò)使用起來也很慢，因此在測試時將許多不同的大型神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)合起來很難處理過度擬合。Dropout就是一種解決此問題的技術(shù)。

關(guān)鍵思想是在訓(xùn)練期間從神經(jīng)網(wǎng)絡(luò)中隨機刪除單元及其連接，這可以防止單元間的過度適應(yīng)。在訓(xùn)練期間，從指數(shù)數(shù)量的不同“稀疏”網(wǎng)絡(luò)中抽取樣本。在測試時，通過簡單地使用具有較小權(quán)重的單解開網(wǎng)絡(luò)（untwinednetwork），很容易近似平均所有這些稀疏網(wǎng)絡(luò)以達(dá)到預(yù)測的效果。這顯著減少了過度擬合，并且比其他正則化方法表現(xiàn)的更好。Dropout已被證明可以改善神經(jīng)網(wǎng)絡(luò)在計算機視覺，語音識別，文檔分類和計算生物學(xué)等領(lǐng)域的監(jiān)督學(xué)習(xí)任務(wù)的性能，并在許多基準(zhǔn)數(shù)據(jù)集上獲得最先進(jìn)的結(jié)果。

最大池化

最大池化是基于樣本的離散化過程。目的是對輸入表示（圖像、隱藏層輸出矩陣等）進(jìn)行下采樣，通過降低其維數(shù)并允許對包含在子區(qū)域中的特征進(jìn)行合并。

通過提供表征的抽象形式，這種方法在某種程度上有助于解決過擬合。同樣，它也通過減少學(xué)習(xí)參數(shù)的數(shù)量和提供基本的內(nèi)部表征的轉(zhuǎn)換不變性來減少計算量。最大池化是通過將最大過濾器應(yīng)用于通常不重疊的初始表征子區(qū)域來完成的。

批量歸一化

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)。批量歸一化有助于讓中國過程更簡單一點。

權(quán)重問題：

無論那種權(quán)重的初始化，隨機還是憑經(jīng)驗選擇，它們都和學(xué)習(xí)權(quán)重差別很大?？紤]一個小批量數(shù)據(jù)集，在最初的時期，在特征激活時都會有許多異常值。

深度神經(jīng)網(wǎng)絡(luò)本身脆弱的，即初始層的微小擾動都會導(dǎo)致后面層很大的變化。

在反向傳播期間，這些現(xiàn)象會導(dǎo)致梯度偏移，這意味著在學(xué)習(xí)權(quán)重以產(chǎn)生所需輸出之前，梯度必須補償異常值。這也將導(dǎo)致需要額外的時間來收斂。

批量歸一化將這些梯度從離散規(guī)則化為正常值，并在小批量的范圍內(nèi)朝向共同目標(biāo)（通過歸一化它們）流動。

學(xué)習(xí)率問題：通常，學(xué)習(xí)率保持較小，使得只有一小部分的梯度用來校正權(quán)重，原因是異常激活的梯度不應(yīng)該影響已經(jīng)學(xué)習(xí)好的權(quán)重。通過批量歸一化，這些異常值被激活的可能性就會減少，因此可以使用更高的學(xué)習(xí)率來加速學(xué)習(xí)過程。

長短期記憶

LSTM網(wǎng)絡(luò)具有以下三個方面，使其與遞歸神經(jīng)網(wǎng)絡(luò)中的常規(guī)神經(jīng)元區(qū)分開來：

1、它可以控制何時讓輸入進(jìn)入神經(jīng)元。

2、它可以控制何時記住上一個時間步驟中計算的內(nèi)容。

3、它可以控制何時將輸出傳遞給下一個時間戳。

LSTM的優(yōu)點在于它根據(jù)當(dāng)前輸入本身決定所有這些，如下圖所示：

當(dāng)前時間戳處的輸入信號x（t）決定所有上述3個點。輸入門決定點1.遺忘門在點2上做出決定，輸出門在點3上做出決定。輸入門能單獨能夠做出這三個決定。這受到了我們的大腦是如何工作的啟發(fā)，并且可以處理突然的上下文切換。

skim-gram

詞嵌入模型的目標(biāo)是為了每個詞匯學(xué)習(xí)一個高維密集表征，其中嵌入向量之間的相似性顯示了相應(yīng)單詞之間的語義或句法相似性。Skip-gram是學(xué)習(xí)詞嵌入算法的模型。

skip-gram模型（以及許多其他詞嵌入模型）背后的主要思想如下：如果兩個詞匯有相似的上下文，則它們是相似的。

換句話說，假設(shè)你有一句話，比如“貓是哺乳動物”。如果你使用術(shù)語“狗”而不是“貓”，句子仍然是一個有意義的句子。因此在該示例中，“狗”和“貓”可以共享相同的背景（即“是哺乳動物”）。

基于上述假設(shè)，你可以考慮一個上下文窗口（一個包含k個連續(xù)術(shù)語的窗口）。然后你應(yīng)該跳過其中一個單詞，并嘗試學(xué)習(xí)除了跳過的一個術(shù)語之外的所有術(shù)語并預(yù)測跳過的術(shù)語的神經(jīng)網(wǎng)絡(luò)。因此如果兩個單詞在大型語料庫中重復(fù)地共享相似的上下文，那些這些術(shù)語的嵌入向量將具有相似的向量。

連續(xù)的詞袋模型（Continuous Bag of Words）

在自然語言處理問題中，我們希望學(xué)習(xí)將文檔中的每個單詞表示為數(shù)字向量，使得出現(xiàn)在相似上下文中的單詞具有彼此接近的向量。在連續(xù)詞袋模型中，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。

我們通過在一個大型語料庫中抽取大量句子來做到這一點，每次看到一個單詞時，我們都會使用其上下文單詞。然后我們將上下文單詞輸入到一個神經(jīng)網(wǎng)絡(luò)中，并預(yù)測該上下文中心的單詞。

當(dāng)我們有數(shù)千個這樣的上下文單詞和中心單詞時，我們就有一個神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)集的實例。我們訓(xùn)練神經(jīng)網(wǎng)絡(luò)，在經(jīng)過編碼的隱藏層的輸出表示特定單詞的嵌入。碰巧的是，當(dāng)我們在大量句子上訓(xùn)練時，類似上下文中的單詞會得到類似的向量。

遷移學(xué)習(xí)

考慮下圖像是如何通過卷積神經(jīng)網(wǎng)絡(luò)的。假設(shè)你有一個圖像，你應(yīng)用卷積，你得到像素組合作為輸出。如果碰到了邊緣，則再次應(yīng)用卷積，所以現(xiàn)在輸出是邊或線的組合。然后再次應(yīng)用卷積，此時的輸出將是線的組合，依此類推。你可以將其視為每個層尋找特定模式。神經(jīng)網(wǎng)絡(luò)的最后一層往往變得非常專業(yè)。如果你正在使用ImageNet，那么你的網(wǎng)絡(luò)最后一層將尋找兒童或狗或飛機或其他什么。再后退幾層你可能會看到網(wǎng)絡(luò)正在尋找眼睛或耳朵或嘴或輪子。

深度CNN中的每個層逐漸建立了更高和更高級別的特征表征。最后幾層往往專注于你輸入模型的任何數(shù)據(jù)。另一方面，早期的圖層更通用，是在更大類的圖片中找到很多簡單的模式。

遷移學(xué)習(xí)是指你在一個數(shù)據(jù)集上訓(xùn)練CNN，切斷最后一層，在其他不同的數(shù)據(jù)集上重新訓(xùn)練模型的最后一層。直觀地說，你正在重新訓(xùn)練模型以識別不同的更高級別的功能。因此，模型訓(xùn)練的時間會大大減少，因此當(dāng)你沒有足夠的數(shù)據(jù)或者訓(xùn)練所需的太多資源時，遷移學(xué)習(xí)是一種有用的工具。