深度学习——神经网络1

一、神经网络

1.神经网络

• 定义：人工神经网络（Artificial Neural Network，ANN）也简称为神经网络（NN），是一种模仿生物神经网络结构和功能的计算模型。人脑可以看作是一个生物神经网络，由众多的神经元连接而成。各个神经元传递复杂的电信号，树突接收到输入信号，然后对信号进行处理，通过轴突输出信号。

• 神经网络中信息只向一个方向移动，即从输入节点向前移动，通过隐藏节点，再向输出节点移动。其中基本部分是：

  • 输入层：即输入x的那一层
  • 输出层：即输出y的那一层
  • 隐藏层：输入层和输出层之间都是隐藏层

• 特点：

  • 同一层神经网络之间没有连接
  • 第N层的每个神经元和第N-1层的所有神经元相连，这就是全连接神经网络（full connected,fc）
  • 第N-1层神经元的输出就是第N层神经元的输入
  • 每个连接都有一个权重值（w系数和b系数）

2.激活函数

• 激活函数用于对每层的输出数据（加权和数据）进行变换，进而为整个网络注入了非线性因素。此时，神经网络就可以拟合各种曲线
  • 没有引入非线性因素的网络等价于使用一个线性模型来拟合
  • 通过给网络输出增加激活函数，实现引入非线性因素，使得网络模型可以逼近任意函数，提升网络对复杂问题的拟合能力

（1）sigmiod函数

• 公式：$f(x)=\frac{1}{1+e^{-x}}$

• 求导公式：KaTeX parse error: {equation} can be used only in display mode.

• 缺点：当神经网络的激活处于0， 1位置时，其梯度几乎为0，容易导致梯度消失，此时网络参数将更新极其缓慢，或者无法更新

• 一般来说，sigmoid网络在5层之类就会产生梯度消失现象。而且，该激活函数并不是以0为中心，所以在实践中很少使用这种激活函数，sigmoid函数一般只用于二分类的输出层

（2）tanh激活函数

• 公式：$f(x)=\frac{1-e^{-2x}}{1+e^{-2x}}$
• 求导公式：KaTeX parse error: {equation} can be used only in display mode.
• 其输出值域是（-1， 1），值域范围更大，使之更适合于神经网络的输入层和隐藏层
• 与sigmoid相比，它是以0为中心的，且梯度相对于sigmoid大，使得其收敛速度要比sigmoid快，减少迭代次数，但当输入值较大时，会导致梯度消失的问题
• 使用时：可在隐藏层使用tanh函数，在输出层使用sigmoid函数

（3）ReLU激活函数

• 是目前使用最多的一种激活函数

• 公式：$f(x)=max(0,x)$

• 求导公式：KaTeX parse error: {equation} can be used only in display mode.

• 激活函数将小于0的值映射为0，而大于0的值则保持不变，它更加重视正信号，而忽略负信号，这种激活函数运算更为简单，能够提高模型的训练效率

• 当x<0时，ReLU导数为0，而当x>0时，则不存在饱和问题。所以，ReLU能够在x>0时保持梯度不衰减，从而缓解梯度消失问题。然而，随着训练的推进，部分输入会落入小于0的区域，导致对应权重无法更新，这种现象被称为“神经元死亡”

• ReLU是目前最常用的激活函数。与sigmoid相比，ReLU的优势是：采用sigmoid函数，计算量大（指数运算），反向传播球误差梯度时，计算量相对大，而采用ReLU激活函数，整个过程的计算量节省很多。sigmoid函数反向传播时，很容易出现梯度消失的情况，从而无法完成深度网络的训练。ReLU会使一部分神经元的输出为0，这样就造成了网络的稀疏性（网络变得简单），并且减少了参数的相互依存关系，缓解了过拟合问题的发生

（4）Softmax函数

• softmax用于多分类过程中，它是二分类函数sigmoid在多分类上的推广，目的是将多分类的结果以概率形式呈现出来

• 公式：$softmax(z_i)=\frac{e^{z_i}}{{\sum }_j{e}_j^z}$

  • $z_i$：输出层中每个神经元加权和（logits）

• Softmax就是将网络输出logits通过softmax函数，就映射成为（0，1）的值，而这些值的累和为1，那么我们将它理解成概率，选取概率最大（也就是值对应最大的节点），作为我们的预测目标类别

（5）激活函数的选择方法

对于隐藏层

1. 优先选择ReLU激活函数
2. 如果ReLU效果不好，那么尝试其他激活，如Leaky ReLU等
3. 如果你使用了ReLU，需要注意一下Dead ReLU问题，避免出现大的梯度导致过多的神经元死亡
4. 少使用sigmoid激活函数，可以尝试使用tanh激活函数

对于输出层

1. 二分类问题选择sigmoid激活函数
2. 多分类问题选择softmax激活函数
3. 回归问题选择identity激活函数（恒等激活）

3.参数初始化

优先选择kaiming和xavier初始化方式

（1）初始化$w$

• 均匀分布初始化：权重参数初始化从区间均匀随机取值。即在$(-\frac{1}{\sqrt{d}},\frac{1}{\sqrt{d}})$均匀分布中生成当前神经元的权重，其中d为每个神经元的输入数量
• 正态分布初始化：随机初始化从均值为0，标准差是1的高斯分布中取样，使用一些很小的值对参数W进行初始化

（2）初始化$b$

• 全0初始化：将神经网络中的所有权重参数初始化为0
• 全1初始化：将神经网络中的所有权重参数初始化为1
• 固定值初始化：将神经网络中的所有权重参数初始化为某个固定值

（3）初始化方法改进

1. kaiming初始化，也叫做HE初始化
   • HE初始化分为正态分布的HE初始化，均匀分布的HE初始化
     • 正态分布的HE初始化：$stddev=\sqrt{\frac{2}{fan\_in}}$
     • 均匀分布的HE初始化：从[-limit, limit]中的均匀分布中抽取样本，limit是$\sqrt{\frac{6}{fan\_in}}$
     • $fan\_in$输入神经元个数
2. xavier初始化，也叫做Glorot初始化
   • Glorot初始化分为正态分布的xavier初始化，均匀分布的xavier初始化
     • 正态化的xavier初始化：$stddev=\sqrt{\frac{2}{fan\_in+fan\_out}}$
     • 均匀分布的Xavier初始化：从[-limit, limit]中的均匀分布中抽取样本，limit是$\sqrt{\frac{6}{fan\_in+fan\_out}}$
     • $fan\_in$是输入神经元个数，$fan\_out$是输出的神经元个数

4.神经网络搭建和参数计算

（1）模型搭建

• 在pytorch中定义深度神经网络其实就是层堆叠的过程，继承自nn.Module，实现两个方法
  • _init\_ 方法中定义网络中的层结构，主要是全连接层，并进行初始化
  • forward方法，在实例化模型的时候，底层会自动调用该函数。该函数中可以定义学习率，为初始化定义的layer传入数据等。

（2）网络参数量的统计方法

• 统计每一层中的权重w和偏置b的数量

from torchsummary import summary
……
summary(my_modelll, input_size=(3, ), batch_size = 8)for name, para in my_model.named_parameters():print(name)print(para)

5.神经网络优缺点

• 优点
  • 精度高，性能优于其他机器学习方法，甚至在某些领域超过了人类
  • 可以近似任意的非线性函数随之计算机硬件的发展
  • 近年来在学界和业界受到了热捧，有大量的框架和库可调
• 缺点
  • 黑箱，很难解释模型是怎么工作的
  • 训练时间长，需要大量的算力
  • 网络结构复杂，需要调整超参数
  • 小数据集上表现不佳，容易发生过拟合