深度学习激活函数与正则化问题

作者: pdnbplus | 发布时间: 2024/06/21 | 阅读量: 174

深度学习激活函数与正则化问题--潘登同学的深度学习笔记

梯度消失问题（Vanishing Gradients）

在梯度下降中，随着算法反向反馈到前面几层，梯度会越来越小，最终，没有变化，这 时或许还没有收敛到比较好的解，这就是梯度消失问题，深度学习遭受不稳定的梯度，不同 层学习在不同的速度上

如果我们看sigmoid激活函数，当输入比较大，不管正负，将会饱和在 0 或 1，这样梯度就是 0，因此当反向传播开始，它几乎没有梯度传播回神经网络，所以就会导致只更改高的几 层，低的几层不会变化

Relu的缺点

选择 ReLU 更多因为对于正数时候不饱和，同时因为它计算速度快 但是不幸的是，ReLU 激活函数不完美，有个问题是 dying ReLU，在训练的时候一些神经元死了，当它们输出小于 0，经过ReLU就会变成0，不管以后反向传播的再多，最终改变w也是0

解决方案: Leaky ReLU $$ \max(\alpha * z,z), \alpha =0.01 $$

自己封装 Leaky ReLU

def leaky_relu(z,name=None):
    return tf.maximun(0.01*z,z,name=name)

hidden1 = fully_connected(X,n_hidden1,activitation_fn=leaky_relu)

其他Relu变形

  • RReLU，Random，$\alpha$ 是一个在给定范围内随机取值的数在训练时，固定的平均值在测试时，过拟合时可以试试
  • PReLU，Parametric，$\alpha$ 是一个在训练过程中需要学习的参数，它会被修改在反向传播中，适合大数据集
  • ELU，exponential，计算梯度的速度会慢一些，但是整体因为没有死的神经元，整体收敛快，超参数 0.01

ELU 可以在tansorflow中直接调用

hidden1 = fully_connected(X,n_hidden1,activation_fn=tf.nn.elu)

参数初始化问题

深度学习模型训练的过程本质是对 weight（即参数 W）进行更新，这需要每个参数有相应的初始值。有人可能会说：“参数初始化有什么难点？直接将所有 weight 初始化为 0 或者初始化为随机数！” 对一些简单的机器学习模型，或当 optimization function 是 convex function 时，这些简单的方法确实有效。然而对于深度学习而言，非线性函数被疯狂叠加，non-convex function，如何选择参数初始值便成为一个值得探讨的问题 --- 其本质是初始参数的选择应使得 objective function 便于被优化。事实上，在学术界这也是一个被 actively 研究的领域。

pre-training

不想从零开始训练神经网络时，我们往往选择一个已经训练好的在任务 A 上的模型（称为 pre-trained model），将其放在任务 B 上做模型调整（称为 fine-tuning）

random initialization

随机初始化是很多人目前经常使用的方法，然而这是有弊端的，一旦随机分布选择不当， 就会导致网络优化陷入困境。

以 tanh 神经网络为例，查看激活值和梯度的分布情况。

可以看出，激活值的方差逐层递减 各层反向传播的梯度（关于状态的梯度）的分布情况：

随着层数的增加，梯度就会越来越接近0，就会产生梯度消失

代码验证

我们创建了一个 10 层的神经网络，非线性变换为 tanh，每一层的参数都是随机正态分布，均值为 0，标准差为 0.01。

import tensorflow as tf # 2.0+的tensorflow
import numpy as np
import matplotlib.pyplot as plt

data = tf.constant(np.random.randn(2000, 800))
layer_sizes = [800 - 50 * i for i in range(0,11)] 
num_layers = len(layer_sizes)
fcs = [] # To store fully connected layers' output
fig, axs = plt.subplots(2, 5, figsize=(15, 6), sharey=True)
for i in range(0, num_layers - 1):
    X = data if i == 0 else fcs[i - 1] 
    node_in = layer_sizes[i] 
    node_out = layer_sizes[i + 1] 
    W = tf.Variable(np.random.randn(node_in, node_out)) * 0.01 
    fc = tf.matmul(X, W) 
    fc = tf.nn.tanh(fc) 
    fcs.append(fc)
    axs[i//5,i%5].hist(fc.numpy()[:,1])
    # axs[i//5,i%5].set_xlim([-1,1])

fig.show()

注意横坐标值，如果都固定为[-1,1]区间，那么最终就会看不见输出。随着层数的增加，我们看到输出值迅速向 0 靠拢，在后几层中，几乎所有的输出值都 很接近 0！回忆优化神经网络的 back propagation 算法，根据链式法则，gradient 等于当前函数的 gradient 乘以后一层的 gradient，这意味着输出值计算 gradient 中的乘法因子，直接导致 gradient 很小，使得参数难以被更新！

让我们将初始值调大一些： 均值为 0，标准差为 1。

几乎所有的值集中在-1 或 1 附近，神经元 saturated 了！注意到 tanh 在-1 和 1 附近 的 gradient 都接近 0，这同样导致了 gradient 太小，参数难以被更新。

Xavier initialization

Xavier 初始化的基本思想是保持输入和输出的方差一致，这样就避免了所有输出值都趋向于 0。注意，为了问题的简便，Xavier 初始化的推导过程是基于线性函数的，但是它在一些非线性神经元中也很有效

激活函数 采用均匀分布随机,区间[-r,r] 采用正太分布随机,均值为0
sigmoid $r=\sqrt{\frac{6}{n_{inputs}+n_{outputs}}}$ $\sigma=\sqrt{\frac{2}{n_{inputs}+n_{outputs}}}$
tanh $r=4\sqrt{\frac{6}{n_{inputs}+n_{outputs}}}$ $\sigma=4\sqrt{\frac{2}{n_{inputs}+n_{outputs}}}$
Relu $r=\sqrt{2}\sqrt{\frac{6}{n_{inputs}+n_{outputs}}}$ $\sigma=\sqrt{2}\sqrt{\frac{2}{n_{inputs}+n_{outputs}}}$

代码验证

import tensorflow as tf # 2.0+çš„tensorflow
import numpy as np
import matplotlib.pyplot as plt

data = tf.constant(np.random.randn(2000, 800))
layer_sizes = [800 - 50 * i for i in range(0,11)] 
num_layers = len(layer_sizes)
fcs = [] # To store fully connected layers' output
fig, axs = plt.subplots(2, 5, figsize=(15, 6), sharey=True)
for i in range(0, num_layers - 1):
    X = data if i == 0 else fcs[i - 1] 
    node_in = layer_sizes[i] 
    node_out = layer_sizes[i + 1] 
    W = tf.Variable(np.random.randn(node_in, node_out)) * np.sqrt(2/(node_in+node_out))
    fc = tf.matmul(X, W) 
    fc = tf.nn.tanh(fc) 
    fcs.append(fc)
    axs[i//5,i%5].hist(fc.numpy()[:,1])
    axs[i//5,i%5].set_xlim([-1,1])

fig.show()

输出值在很多层之后依然保持着良好的分布，这很有利于我们优化神经网络！之前谈到 Xavier initialization 是在线性函数上推导得出，这说明它对非线性函数并不具有普适性，所以这个例子仅仅说明它对 tanh 很有效，那么对于目前最常用的 ReLU 神经元呢?

W = tf.Variable(np.random.randn(node_in, node_out)) * np.sqrt(4/(node_in+node_out))

fc = tf.nn.relu(fc)

前面看起来还不错，后面的趋势却是越来越接近 0。

对参数初始化问题的总结

总的来说，无论是参数的初始化，还是激活函数的选取，都只能减轻梯度消失的症状，而不能解决梯度消失问题

梯度爆炸

在反向传播的过程中，很多梯度大于1，在链式求导法则下，累乘结果趋于无穷大，根据梯度下降的做法，在梯度爆炸下将会走很大一步，从而走出最优解域

解决方案

  • 使用梯度截断法： Gradient Clipping
  • 使用L1、L2正则化，使得w变小，进而使得反向传播的时候使得gradient变小（因为链式求导的时候，w也是作为乘积项的，导致梯度爆炸的原因可能是w过大）
  • Batch Normalization,一种归一化手段，主要作用在Activations上面
  • 激活函数也会影响，使用Relu优于tanh和sigmoid
  • w的初始化，如果一开始w的绝对值比较大，更容易偷渡爆炸或者消失
  • 网络Topolopy设计可以在一定程度上解决梯度消失或者爆炸

Normalization

常用的Normalization方法主要有: Batch Normalization（BN，2015 年）、Layer Normalization （LN ， 2016 年）、 Instance Normalization （ IN ， 2017 年 ）、Group Normalization（GN，2018 年）。它们都是从激活函数的输入来考虑、做文章的，以不同的方式对激活函数的输入进行 Norm 的。

我们将输入的 feature map shape 记为[N, C, H, W]，其中 N 表示 batch size，即 N 个样本；C 表示通道数；H、W 分别表示特征图的高度、宽度。这几个方法主要的区别就是在：

  1. BN 是在 batch 上，对 N、H、W 做归一化，而保留通道 C 的维度。BN 对较小的 batch size 效果不好。BN 适用于固定深度的前向神经网络，如 CNN，不适用于 RNN；
  2. LN 在通道方向上，对 C、H、W 归一化，主要对 RNN 效果明显
  3. IN 在图像像素上，对 H、W 做归一化，用在风格化迁移
  4. GN 将 channel 分组，然后再做归一化

Batch Normalization

BN的操作是这样的: 取一个特定的Batch，把这一个Batch中的每个图片的某个通道，作为一个归一化的对象，举例来说$[10,3,28,28]$的图片，当取第一个通道作为归一化的对象的时候，会将10幅图片的第一个通道都拿出来，将10*28*28的数据做归一化....

Batch Normalization 是一种巧妙而粗暴的方法来削弱 bad initialization 的影响,我们想要的是在非线性 activation 之前，输出值应该有比较好的分布（例如高斯分布）， 以便于 back propagation 时计算 gradient，更新 weight。

主要思想: 针对每个神经元，使数据在进入激活函数之前，沿着通道计算每个 batch 的均值、方差，‘强迫’数据保持均值为 0，方差为 1 的正态分布，避免发生梯度消失。

为什么要进行BN

  1. 在深度神经网络训练的过程中，通常以输入网络的每一个 mini-batch 进行训练，这样每个 batch 具有不同的分布，使模型训练起来特别困难。
  2. Internal Covariate Shift (ICS) 问题：在训练的过程中，激活函数会改变各层数据的 分布，随着网络的加深，这种改变（差异）会越来越大，使模型训练起来特别困难，收敛速 度很慢，会出现梯度消失的问题。（也可以理解为病态矩阵问题，只要有微小的扰动，就会造成很大的改变）

BN的使用位置

全连接层或卷积操作之后，激活函数之前

BN算法过程

Batch Normalization 将输出值强行做一次 Gaussian Normalization 和线性变换

Input:Values of x over a mini-batch: $\mathcal{B} = {x_{1,\ldots,m}}$Parameters to be learned: $\gamma,\beta$

Output:${y_i=NB_{\gamma,\beta}(x_i)}$ $$ \mu_{\mathcal{B}} \leftarrow \frac{1}{m}\sum_{i=1}^mx_i \ \sigma_{\mathcal{B}}^2 \leftarrow \frac{1}{m}\sum_{i=1}^m(x_i-\mu_{\mathcal{B}})^2 \ \hat{x}_i \leftarrow \frac{x_i-\mu_{\mathcal{B}}}{\sqrt{\sigma_{\mathcal{B}}^2 + \epsilon}}\ y_i \leftarrow \gamma\hat{x}_i + \beta \equiv BN_{\gamma,\beta}(x_i) $$

Batch Normalization 中所有的操作都是平滑可导，这使得 back propagation 可以有效运行并学到相应的参数$\gamma,\beta$。需要注意的一点是 Batch Normalization 在 training 和testing 时行为有所差别。Training 时$\mu_{\mathcal{B}}$ 和$\sigma_{\mathcal{B}}$ 由当前 batch 计算得出；在 Testing 时$\mu_{\mathcal{B}}$ 和$\sigma_{\mathcal{B}}$ 应使用 Training 时保存的均值或类似的经过处理的值，而不是由当前 batch 计算。

加入缩放和平移变量(算法的最后一步）的原因是：保证每一次数据经过归一化后还保留原有学习来的特征，同时又能完成归一化操作，加速训练。 这两个参数是用来学习的参数。

BN的作用

  1. 允许较大的学习率
  2. 减弱对初始化的强依赖性
  3. 保持隐藏层中数值的均值、方差不变，让数值更稳定，为后面网络提供坚实的基础
  4. 有轻微的正则化作用（相当于给隐藏层加入噪声，类似 Dropout）

BN的问题

  1. 每次是在一个 batch 上计算均值、方差，如果 batch size 太小，则计算的均值、方差不足以代表整个数据分布。
  2. batch size 太大：会超过内存容量；需要跑更多的 epoch，导致总训练时间变长；会直接固定梯度下降的方向，导致很难更新

Layer Normlization

举例来说$[10,3,28,28]$的图片，当取第一张图片作为归一化的对象的时候，会将该图片的全部都拿出来，将3*28*28的数据做归一化....

Instance Normlization

举例来说$[10,3,28,28]$的图片，当取第一张图片的第一个通道作为归一化的对象的时候，会将该图片该通道全部都拿出来，将28*28的数据做归一化....

Group Normlization

举例来说$[10,4,28,28]$的图片，先将每一张图片的通道数划分为G份（假设为2），当取第一张图片的第一个份作为归一化的对象的时候，会将该图片该份全部都拿出来，将2*28*28的数据做归一化....