机器学习7——神经网络上

神经网络

Intro

人工神经网络（Artificial Neural Network，ANN）是一种计算模型，灵感来源于生物神经系统，特别是人脑的工作方式。

其核心思想：

• 用**大量简单的“神经元”**作为信息处理单元；
• 这些神经元通过连接（连接权重）形成网络；
• 网络通过学习数据中的规律（训练），实现识别、预测、控制等功能。

两个关键特点：

1. 知识是通过学习过程获得的（类似于人类通过经验积累知识）；
2. 知识保存在连接权重中（类似于生物突触的可塑性）。

神经网络的类型

分类方式	说明
结构	前馈网络（Feedforward）、反馈网络（Recurrent）
学习方法	有监督学习、无监督学习
信号类型	连续、离散

人工神经元的结构（The Neuron）

1. 输入权重（Synapses）

每个输入 $x_j$ 通过一个连接权重 $w_j$ 与神经元连接：
$$u=\sum _{j=1}^m{w}_j{x}_j$$
这里 $u$ 是输入的加权和。

2. 偏置项（Bias）

偏置 $b$ 是一个外部常量项，相当于控制“阈值”：
$$v=u+b$$
可以看作是加了一个固定值的输入，常被写成一个输入 $x_0=1$，其权重为 $b$。

3. 激活函数（Activation Function）

作用：将加权输入 $v$ 转换为输出 $y=\phi (v)$，用于引入非线性。

激活函数类型（Activation Functions）

1. 线性函数

$$f(x)=ax$$

线性，无非线性表达能力，通常不单独使用。

2. 阶跃函数（Step Function）

$$f(x)=\{\begin{array}{ll}{a}_1,& x\ge \theta \\ a_2,& x<\theta \end{array}$$

用来模拟是否“激活”，类似生物神经元是否触发。

3. 斜坡函数（Ramp Function）

$$f(x)=\{\begin{array}{ll}\alpha ,& x\ge \theta \\ x,& -\theta <x<\theta \\ -\alpha ,& x\le -\theta \end{array}$$

是阶跃函数的“平滑版本”，防止学习不稳定。

4. Logistic 函数（Sigmoid 函数）

$$f(x)=\frac{1}{1+e^{-\lambda x}}$$

• 输出范围：$(0,1)$
• 可导，适合反向传播算法
• 非零导数 → 可学习

5. 双曲正切函数（Tanh）

$$f(x)=\frac{e^{\lambda x}-e^{-\lambda x}}{e^{\lambda x}+e^{-\lambda x}}=\tanh (\lambda x)$$

• 输出范围：$(-1,1)$
• 零中心 → 通常收敛更快

6. 高斯函数（Gaussian）

$$f(x)=e^{-x^2/{\sigma }^2}$$

常用于径向基函数网络（RBFN），对离中心越远的点响应越弱。

感知机

感知机模型定义

感知机接受一个向量作为输入：
$$\mathbf{x}=(x_0,x_1,x_2,...,x_m{)}^T,x_0=1(\text{bias})$$
使用线性函数生成输出：
$$y=\text{sgn}({\mathbf{w}}^T\mathbf{x})$$
其中权重向量：
$$\mathbf{w}=(w_0,w_1,...,w_m{)}^T$$
如果：

• $\mathbf{x}\in T_1\Rightarrow d=+1$
• $\mathbf{x}\in T_2\Rightarrow d=-1$

则目标是：
$$\text{sgn}({\mathbf{w}}^T\mathbf{x})=d$$
即正确将 $T_1$、$T_2$ 分类（前提是线性可分！！！）。

几何直观

感知机本质上是在高维空间中寻找一个超平面 ${\mathbf{w}}^T\mathbf{x}=0$（$\mathbf{w}$是该平面的法向量，该向量乘所有正样本应当大于0，乘所有负样本应该小于0）：

• 使得所有正样本 $T_1$ 落在一侧
• 所有负样本 $T_2$ 落在另一侧

这个分界面把数据线性划分（线性可分假设是成立前提）。

上面的图中的w是有效的，而下图中的w是错误的（乘以正样本却小于0）。我们应该如何调整这个w？

学习规则（Learning Rule）

• 我们发现，在w错误地把正样本分类为负样本时，把错误的w向量加上一个跟x同向的向量，可以让w往正确的方向靠近。

• 在w把负样本错误地分类为正样本时，即w与x同向时，应该在w上减去一个跟x同向的向量，可以让w往正确的方向靠近。

• 形式化地定义，我们有：

  情况 1：正样本被错分为负样本

  • $d=+1$，但 $y=-1$
  • 所以：${\mathbf{w}}^T\mathbf{x}<0$
  • 我们希望 ${\mathbf{w}}^T\mathbf{x}\uparrow$，也就是让 $\mathbf{w}$ 更接近 $\mathbf{x}$ 方向 → 朝 $\mathbf{x}$ 方向更新
  • 所以：

  $$\Delta \mathbf{w}=+\alpha \mathbf{x}$$

  情况 2：负样本被错分为正样本

  • $d=-1$，但 $y=+1$
  • 所以：${\mathbf{w}}^T\mathbf{x}>0$
  • 我们希望 ${\mathbf{w}}^T\mathbf{x}\downarrow$，也就是让 $\mathbf{w}$ 更远离 $\mathbf{x}$ → 朝 $-\mathbf{x}$ 方向更新
  • 所以：

  $$\Delta \mathbf{w}=-\alpha \mathbf{x}$$

• 更一般地，我们可以这么定义$\Delta w$:
  $$\begin{array}{rl}& \Delta w_i(t)=\eta r_i{x}_i(t)\\ & r_i=d_i-y_i=\{\begin{array}{ll}0& d_i=y_i\text{correct}\\ +2& d_i=1,y_i=-1\text{incorrect}\\ -2& d_i=-1,y_i=1\text{incorrect}\end{array}\\ & \Delta w_i(t)=\eta \left(d_i-y_i\right)x_i(t)\end{array}$$

感知机收敛的相关证明

作者：[e-mail] (Xin-Shun Xu)，School of Software,Shandong University, Jinan 250101, China

1. 感知机收敛定理（Perceptron Convergence Theorem）

假设两个类别 $C_1$ 和 $C_2$ 是线性可分的。存在一个权重向量 $w$，使得我们可以表述如下：
$$\begin{array}{rl}& w^{T}x>0\text{对于属于类别 }{C}_1\text{ 的每个输入向量 }x\\ & w^{T}x\le 0\text{对于属于类别 }{C}_2\text{ 的每个输入向量 }x\end{array}\text{\hspace{1em}(1)}$$
更新规则如下：

1. 如果训练集中第 $n$ 个样本 $x(n)$ 被当前权重向量 $w(n)$ 正确分类，则不进行权重的修正。也就是说：

$$\begin{array}{rl}& w(n+1)=w(n)\text{若 }{w}^{T}x(n)>0\text{ 且 }x(n)\text{ 属于 }{C}_1\\ & w(n+1)=w(n)\text{若 }{w}^{T}x(n)\le 0\text{ 且 }x(n)\text{ 属于 }{C}_2\end{array}\text{\hspace{1em}(2)}$$

1. 否则，感知机的权重向量按照如下规则更新：

$$\begin{array}{rl}& w(n+1)=w(n)-\eta (n)x(n)\text{若 }{w}^{T}x(n)>0\text{ 且 }x(n)\text{ 属于 }{C}_2\\ & w(n+1)=w(n)+\eta (n)x(n)\text{若 }{w}^{T}x(n)\le 0\text{ 且 }x(n)\text{ 属于 }{C}_1\end{array}\text{\hspace{1em}(3)}$$

接下来，我们将证明一个固定增量（fixed-increment）自适应规则的收敛性，对其设定为：$\eta =1$。此外，我们假设初始条件 $w(0)=0$。这意味着对于所有的 $x$，我们有 $wx=0$。因此，对于所有属于 $C_1$ 的 $x$，我们有：
$$w(n+1)=w(n)+x(n)\text{对于 }x(n)\in C_1\text{\hspace{1em}(4)}$$
如果在类别 $C_1$ 中存在 $n$ 个这样的向量，则我们有：
$$w(n+1)=x(1)+x(2)+\dots +x(n)\text{\hspace{1em}(5)}$$
由于假设 $C_1$ 与 $C_2$ 是线性可分的，存在一个解向量 $w_o$，使得对所有属于 $C_1$ 的向量 $x(n)$ 有 $w^{T}x(n)>0$。于是我们可以定义一个正数 $\alpha$ 为：
$$\alpha =\underset{x(n)\in C_1}{\min }{w}_o^{T}x(n)\text{\hspace{1em}(6)}$$
若将公式 (5) 的两边乘以行向量 $w_o^T$，我们得到：
$$w_o^{T}w(n+1)=w_o^{T}x(1)+w_o^{T}x(2)+\dots +w_o^{T}x(n)\text{\hspace{1em}(7)}$$
因此，结合公式 (6) 的定义，我们有：
$$w_o^{T}w(n+1)\ge n\alpha \text{\hspace{1em}(8)}$$
接下来我们使用柯西-施瓦茨不等式（Cauchy-Schwarz Inequality）。给定两个向量 $w_o$ 和 $w(n+1)$，不等式表示为：
$${\Vert w_o\Vert }^2\Vert w(n+1){\Vert }^2\ge {\left[w_o^{T}w(n+1)\right]}^2\text{\hspace{1em}(9)}$$
结合公式 (8) 和 (9)，我们得到：
$${\Vert w_o\Vert }^2\Vert w(n+1){\Vert }^2\ge n^2{\alpha }^2\text{\hspace{1em}(10)}$$
或者，等价地：
$$\Vert w(n+1){\Vert }^2\ge \frac{n^2{\alpha }^2}{{\Vert w_o\Vert }^2}\text{\hspace{1em}(11)}$$
接下来，我们采用另一条推导路径。首先，我们将公式 (4) 重写为以下形式：
$$w(k+1)=w(k)+x(k)\text{对于 }k=1,\dots ,n\text{ 且 }x(k)\in C_1\text{\hspace{1em}(12)}$$
对公式 (12) 的两边求欧几里得范数的平方，得到：
$$\Vert w(k+1){\Vert }^2=\Vert w(k){\Vert }^2+\Vert x(k){\Vert }^2+2w^T(k)x(k)\text{\hspace{1em}(13)}$$
但由于 $w^T(k)x(k)\le 0$，我们可推出：
$$\Vert w(k+1){\Vert }^2\le \Vert w(k){\Vert }^2+\Vert x(k){\Vert }^2\text{\hspace{1em}(14)}$$
将这些不等式从 $k=1$ 到 $n$ 相加，并利用初始条件 $w(0)=0$，我们得到：
$$\Vert w(n+1){\Vert }^2\le \sum _{k=1}^n\Vert x(k){\Vert }^2\text{\hspace{1em}(15)}$$
然后，我们定义一个正数 $\beta$ 为：
$$\beta =\underset{x(k)\in C_1}{\max }\Vert x(k){\Vert }^2\text{\hspace{1em}(16)}$$
结合公式 (15) 和 (16)，我们有：
$$\Vert w(n+1){\Vert }^2\le n\beta \text{\hspace{1em}(17)}$$
这个结果与公式 (11) 相冲突。实际上，我们可以说 $n$ 不可能大于某个最大值 $n_{\text{max}}$，使得公式 (11) 和 (17) 同时取等号。即：
$$n_{\max }\text{ 是满足如下方程的解：}$$
解得 $n_{\max }$（在已知解向量 $w_o$ 的前提下），我们得到：
$$n_{\max }=\frac{\beta \Vert w_o{\Vert }^2}{{\alpha }^2}\text{\hspace{1em}(19)}$$

2. 感知机与高斯环境下贝叶斯分类器的关系

2.1 贝叶斯分类器

在贝叶斯分类器中，我们最小化的是平均风险，记作 $\mathcal{R}$。对于一个二分类问题（类别为 $C_1$ 和 $C_2$），风险可以定义为：
$$\begin{array}{rl}\mathcal{R}=& c_{11}{p}_1{\int }_{{\mathcal{X}}_1}{p}_x(x\mid C_1)dx+c_{22}{p}_2{\int }_{{\mathcal{X}}_2}{p}_x(x\mid C_2)dx\\ & +c_{21}{p}_1{\int }_{{\mathcal{X}}_2}{p}_x(x\mid C_1)dx+c_{12}{p}_2{\int }_{{\mathcal{X}}_1}{p}_x(x\mid C_2)dx\end{array}\text{\hspace{1em}(20)}$$
其中 $c_{11}<c_{21}$，$c_{22}<c_{12}$。

它可简化为：
$$\begin{array}{rl}\mathcal{R}=& c_{21}{p}_1+c_{22}{p}_2\\ & +{\int }_{{\mathcal{X}}_1}\left[p_2(c_{12}-c_{22})p_x(x\mid C_2)-p_1(c_{21}-c_{11})p_x(x\mid C_1)\right]dx\end{array}\text{\hspace{1em}(21)}$$
变换后，贝叶斯分类器可以表述如下：若
$$p_1(c_{21}-c_{11})p_x(x\mid C_1)>p_2(c_{12}-c_{22})p_x(x\mid C_2)\text{\hspace{1em}(22)}$$
则将 $x$ 判为 $C_1$，否则判为 $C_2$。

为了简化，定义：
$$\Lambda (x)=\frac{p_x(x\mid C_1)}{p_x(x\mid C_2)}\text{\hspace{1em}(23)}$$
以及
$$\xi =\frac{p_2(c_{12}-c_{22})}{p_1(c_{21}-c_{11})}\text{\hspace{1em}(24)}$$
则：若 $\Lambda (x)>\xi$，判为 $C_1$，否则为 $C_2$。

2.2 高斯分布下的贝叶斯分类器

考虑一个二分类问题，其特征分布为高斯分布，其均值和协方差矩阵如下：
$$\begin{array}{ll}\text{类别 }{C}_1:& E[X]={\mu }_1\\ & E[(x-{\mu }_1)(x-{\mu }_1{)}^T]=C\\ \text{类别 }{C}_2:& E[X]={\mu }_2\\ & E[(x-{\mu }_2)(x-{\mu }_2{)}^T]=C\end{array}\text{\hspace{1em}(25)}$$
假设 $C$ 是非奇异的（即可逆），于是有：
$$p_x(x\mid C_i)=\frac{1}{(2\pi {)}^{m/2}|\det (C){|}^{1/2}}\exp \left(-\frac{1}{2}(x-{\mu }_i{)}^T{C}^{-1}(x-{\mu }_i)\right),i=1,2\text{\hspace{1em}(26)}$$
其中 $m$ 是 $x$ 的维度。进一步假设：
$$p_1=p_2=\frac{1}{2}\text{\hspace{1em}(27)}$$
以及：
$$c_{21}=c_{12},c_{11}=c_{22}=0\text{\hspace{1em}(28)}$$
将公式 (26) 代入公式 (23)，再取自然对数，得：
$$\begin{array}{rl}\log \Lambda (x)& =-\frac{1}{2}(x-{\mu }_1{)}^T{C}^{-1}(x-{\mu }_1)+\frac{1}{2}(x-{\mu }_2{)}^T{C}^{-1}(x-{\mu }_2)\\ & =({\mu }_1-{\mu }_2{)}^T{C}^{-1}x+\frac{1}{2}\left({\mu }_2^T{C}^{-1}{\mu }_2-{\mu }_1^T{C}^{-1}{\mu }_1\right)\end{array}\text{\hspace{1em}(29)}$$
将公式 (27) 和 (28) 代入公式 (24)，再取对数：
$$\log \xi =0\text{\hspace{1em}(30)}$$
由公式 (29) 和 (30)，我们发现贝叶斯分类器在该问题下是一个线性分类器，可描述如下：
$$y=w^{T}x+b\text{\hspace{1em}(31)}$$
其中：
$$\begin{array}{rl}y& =\log \Lambda (x)\\ w& =C^{-1}({\mu }_1-{\mu }_2)\\ b& =\frac{1}{2}\left({\mu }_2^T{C}^{-1}{\mu }_2-{\mu }_1^T{C}^{-1}{\mu }_1\right)\end{array}\text{\hspace{1em}(32)}$$
从上述可知，在这种情形下，贝叶斯分类器是一个感知机。

最小均方学习（Least Mean Square Learning, LMS）

什么是最小均方学习（LMS）？

LMS 是一种经典的神经网络权重更新方法，目标是：

最小化输出与目标之间的误差平方和

即最小化以下损失函数（或称代价函数）：
$$E(\mathbf{w})=\frac{1}{2}\sum _{k=1}^p{\left(d^{(k)}-y^{(k)}\right)}^2=\frac{1}{2}\sum _{k=1}^p{\left(d^{(k)}-{\mathbf{w}}^T{\mathbf{x}}^{(k)}\right)}^2=\frac{1}{2}\sum _{k=1}^p{\left(d^{(k)}-\sum _{l=1}^m{w}_l{x}_l^{(k)}\right)}^2$$
其中：

• $\mathbf{w}=(w_1,w_2,...,w_m{)}^T$：权重向量
• ${\mathbf{x}}^{(k)}=(x_1^{(k)},...,x_m^{(k)}{)}^T$：第 $k$ 个样本
• $d^{(k)}$：样本的期望输出（目标）
• $y^{(k)}={\mathbf{w}}^T{\mathbf{x}}^{(k)}$：模型输出
• $p$：样本总数

梯度下降法：如何“下山”？

目标：找到使 $E(\mathbf{w})$ 最小的权重 $\mathbf{w}$

梯度方向：

• 梯度是函数增长最快的方向，向梯度反方向走就是下降最快的方向。
• 梯度定义：

$$\nabla f={\left(\frac{\partial f}{\partial w_1},\frac{\partial f}{\partial w_2},...,\frac{\partial f}{\partial w_m}\right)}^T$$

• 梯度下降更新规则：

$$\Delta \mathbf{w}=-\eta \nabla f$$

其中 $\eta >0$ 是学习率，控制“走多远”。

最小均方误差的梯度推导

对损失函数 $E(\mathbf{w})$ 求偏导：
$$\frac{\partial E}{\partial w_j}=-\sum _{k=1}^p\left(d^{(k)}-{\mathbf{w}}^T{\mathbf{x}}^{(k)}\right)x_j^{(k)}=-\sum _{k=1}^p{\delta }^{(k)}{x}_j^{(k)}$$
其中：

• ${\delta }^{(k)}=d^{(k)}-y^{(k)}$：误差

梯度形式：
$${\nabla }_{\mathbf{w}}E(\mathbf{w})=\left(\begin{array}{c}\frac{\partial E}{\partial w_1}\\ ⋮\\ \frac{\partial E}{\partial w_m}\end{array}\right)=-\sum _{k=1}^p{\delta }^{(k)}{\mathbf{x}}^{(k)}$$

权重更新规则（Weight Update Rule）

$$\Delta \mathbf{w}=-\eta {\nabla }_{\mathbf{w}}E(\mathbf{w})=\eta \sum _{k=1}^p{\delta }^{(k)}{\mathbf{x}}^{(k)}$$

每次迭代中，将误差加权输入叠加后更新权重。

多层感知机

• 单层感知机无法解决非线性可分问题（如 XOR）。

• 多层感知机（MLP）通过引入隐藏层、非线性激活函数，可拟合任意函数。本质是多层感知机对输入的样本的分布进行变换，将其变换到线性可分空间再进行线性分类。

• LMS 是最基本的权重更新思想，后续的反向传播（BP）算法也基于梯度下降。

两种学习模式

1. 批量学习（Batch Learning）：

一次性利用所有样本进行更新：
$$\Delta w_j=\eta \sum _{k=1}^p{\delta }^{(k)}{x}_j^{(k)}$$

2. 增量学习（Online / Stochastic Learning）：

每看到一个样本就更新一次：
$$\Delta w_j=\eta {\delta }^{(k)}{x}_j^{(k)}$$