学习笔记：Deep Learning（二）深度神经网络以及正则化

深度神经网络以及正则化

前面我们介绍了简单的线性模型，但是它仍有局限性，接下来介绍非线性模型。首先介绍，偷懒的工程师最喜欢的非线性模型ReLU（Rectified Linear Units）

ReLU

ReLU的函数形式为：

$$f(x) = max(0,x)$$

它的导数也非常简单，小于0的时候，导数为0，大于0的时候，导数为1。

用ReLU在前面的逻辑分类器的基础上构建简单的非线性模型：

• 第一层由一组X的权重和偏差组成并通过ReLU函数激活。这一层的输出会提供给下一层，但是在神经网络外部不可见，因此称为隐藏层。
• 第二层由隐藏层的权重和偏差组成，隐藏层的输入即为第一层的输出，然后由softmax函数生成概率。
• H对应的是分类器中ReLU的个数，H越大，网络越复杂。

2-layer的神经网络只有乘法、加法和ReLU操作，深度学习可以实现这些操作，实现的关键就是：链式法则

链式法则

链式法则就是将上一层的输出作为下一层的输入，这种方法求导很方便。

例如：

$$[g(f(x))]^prime = g^prime(f(x))f^prime(x)$$

在计算链式法则的倒数的时候，用到的正是反向传播方法。如图：

第一行方框是前向传播，根据输入X计算得到的预测值y。

第二行方框是后向传播，计算偏导数，数据流动方向正好相反。

梯度下降算法也是集成了链式法则来计算梯度，通过后向传播，得到参数w的更新。

正则化

当数据量足够大，模型训练得很好的时候，就要防止过拟合。通常避免过拟合的方法有：

方法一：观察

通过观察模型在验证集上的表现，当出现过拟合的时候停止训练模型。

方法二：Regularization

采用添加正则化的方法，施加额外的限制，间接地减少自由变量的参数数量。例如，L2正则。

通过添加权重矩阵的L2范数作为正则项。对于L2求导：

$$because frac{1}{2}||w||_2^2 = frac{1}{2}(w_1^2+w_2^2+...+w_n^2)$$
$$therefore (frac{1}{2}||w||_2^2)prime = w$$

方法三：Dropout

dropout是近期出现的，功能很强大的方法（hilton提出的哦）！

实现机理：从前layer到后layer的值，叫做激活值。在训练的时候，对每个样例，随机选所有激活值中的一半，把他们设为0（丢弃不用）。这样，神经网络就不会依赖任何激活值了。