Yoshua Bengio等大神傳授：26條深度學(xué)習(xí)經(jīng)驗(yàn)

Lowky 發(fā)布于2019-04-25 18:03 / 1855人閱讀

摘要：另外，當(dāng)損失函數(shù)接近全局最小時(shí)，概率會增加。降低訓(xùn)練過程中的學(xué)習(xí)率。對抗樣本的訓(xùn)練據(jù)最近信息顯示，神經(jīng)網(wǎng)絡(luò)很容易被對抗樣本戲弄。使用高度正則化會有所幫助，但會影響判斷不含噪聲圖像的準(zhǔn)確性。

由 Yoshua Bengio、 Leon Bottou 等大神組成的講師團(tuán)奉獻(xiàn)了 10 天精彩的講座，劍橋大學(xué)自然語言處理與信息檢索研究組副研究員 Marek Rei 參加了本次課程，在本文中，他精煉地總結(jié)了學(xué)到的 26 個(gè)有代表性的知識點(diǎn)，包括分布式表示，tricks 的技巧，對抗樣本的訓(xùn)練，Neural Machine Translation，以及 Theano、Nvidia Digits 等，非常具有參考價(jià)值。

在撰寫本文時(shí)，暑期學(xué)校網(wǎng)站仍可以訪問，并附有全部的演示文稿。所有的資料和插圖都是來自原作者。暑期學(xué)校的講座已經(jīng)錄制成了視頻，它們也可能會被上傳到網(wǎng)站上。

好了，我們開始吧。

1、分布式表示（distributed representations）的需要

在 Yoshua Bengio 開始的講座上，他說“這是我重點(diǎn)講述的幻燈片”。下圖就是這張幻燈片：

假設(shè)你有一個(gè)分類器，需要分類人們是男性還是女性，佩戴眼鏡還是不佩戴眼鏡，高還是矮。如果采用非分布式表示，你就在處理2*2*2=8 類人。為訓(xùn)練精準(zhǔn)度高的分類器，你需要為這 8 類收集足夠的訓(xùn)練數(shù)據(jù)。但是，如果采用分布式表示，每一個(gè)屬性都會在其他不同維度中有所展現(xiàn)。這意味著即使分類器沒有碰到佩戴眼鏡的高個(gè)子，它也能成功地識別他們，因?yàn)樗鼘W(xué)會了從其他樣本中多帶帶學(xué)習(xí)識別性別，佩戴眼鏡與否和身高。

2、局部最小在高維度不是問題

Yoshua Bengio 的團(tuán)隊(duì)通過實(shí)驗(yàn)發(fā)現(xiàn)，優(yōu)化高維度神經(jīng)網(wǎng)絡(luò)參數(shù)時(shí)，就沒有局部最小。相反，在某些維度上存在鞍點(diǎn)，它們是局部最小的，但不是全局最小。這意味著，在這些點(diǎn)訓(xùn) 練會減慢許多，直到網(wǎng)絡(luò)知道如何離開這些點(diǎn)，但是我們愿意等足夠長的時(shí)間的話，網(wǎng)絡(luò)總會找到方法的。

下圖展示了在網(wǎng)絡(luò)訓(xùn)練過程中，兩種狀態(tài)的震動情況：靠近鞍點(diǎn)和離開鞍點(diǎn)。

給定一個(gè)指定的維度，小概率p表示點(diǎn)是局部最小的可能性，但不是此維度上全局最小。在 1000 維度空間里的點(diǎn)不是局部最小的概率和就會是，這是一個(gè)非常小的值。但是，在某些維度里，這個(gè)點(diǎn)是局部最小的概率實(shí)際上比較高。而且當(dāng)我們同時(shí)得到多維度下的最小值時(shí)，訓(xùn)練可能會停住直到找到正確的方向。

另外，當(dāng)損失函數(shù)接近全局最小時(shí)，概率p會增加。這意味著，如果我們找到了真正的局部最小，那么它將非常接近全局最小，這種差異是無關(guān)緊要的。

3、導(dǎo)函數(shù)，導(dǎo)函數(shù)，導(dǎo)函數(shù)

Leon Bottou 列出了一些有用的表格，關(guān)于激活函數(shù)，損失函數(shù)，和它們相應(yīng)的導(dǎo)函數(shù)。我將它們先放在這里以便后續(xù)使用。

更新：根據(jù)評論指出，斜率公式中的最小較大函數(shù)應(yīng)該調(diào)換。

4、權(quán)重初始化策略

目前在神經(jīng)網(wǎng)絡(luò)中建議使用的權(quán)重初始化策略是將值歸一化到范圍[-b,b]，b為：

由 Hugo Larochelle 推薦，Glorot 和 Bengio 發(fā)布（2010）。

5、神經(jīng)網(wǎng)絡(luò)訓(xùn)練技巧

Hugo Larochelle 給出的一些實(shí)用建議：

歸一化實(shí)值數(shù)據(jù)。減去平均值，再除以標(biāo)準(zhǔn)差。

降低訓(xùn)練過程中的學(xué)習(xí)率。

更新使用小批量數(shù)據(jù)，梯度會更穩(wěn)定。

使用動量，通過停滯期。

6、梯度檢測

如果你手動實(shí)現(xiàn)了反向傳播算法但是它不起作用，那么有 99% 的可能是梯度計(jì)算中存在 Bug。那么就用梯度檢測來定位問題。主要思想是運(yùn)用梯度的定義：如果我們稍微增加某個(gè)權(quán)重值，模型的誤差將會改變多少。

這里有更詳細(xì)的解釋：Gradient checking and advanced optimization。

7、動作跟蹤

人體動作跟蹤可以達(dá)到非常高的精準(zhǔn)度。下圖是來自 Graham Taylor 等人（2010）發(fā)表的論文 Dynamical Binary Latent Variable Models for 3D Human Pose Tracking 中的例子。該方法使用的是條件受限的玻爾茲曼機(jī)。

8、使用語法還是不使用語法？（即“需要考慮語法嗎？”）

Chris Manning 和 Richard Socher 已經(jīng)投入了大量的精力來開發(fā)組合模型，它將神經(jīng)嵌入與更多傳統(tǒng)的分析方法組合起來。這在 Recursive Neural Tensor Network 這篇論文中達(dá)到了極致，它使用加法和乘法的互動將詞義與語法解析樹組合。

然后，該模型被 Paragraph 向量（Le 和 Mikolov，2014）打敗了（以相當(dāng)大的差距），Paragraph 向量對語句結(jié)構(gòu)和語法完全不了解。Chris Manning 將這個(gè)結(jié)果稱作“創(chuàng)造‘好的’組合向量的一次失敗”。

然而，最近越來越多的使用語法解析樹的工作成果改變了那一結(jié)果。Irsoy 和 Cardie（NIPS，2014）在多維度上使用更深層的網(wǎng)絡(luò)成功地打敗了 Paragraph 向量。最后，Tai 等人（ACL，2015）將 LSTM 網(wǎng)絡(luò)與語法解析樹結(jié)合，進(jìn)一步改進(jìn)了結(jié)果。

這些模型在斯坦福 5 類情感數(shù)據(jù)集上結(jié)果的精準(zhǔn)度如下：

從目前來看，使用語法解析樹的模型比簡單方法更勝一籌。我很好奇下一個(gè)不基于語法的方法何時(shí)出現(xiàn)，它又將會如何推動這場比賽。畢竟，許多神經(jīng)模型的目標(biāo)不是丟棄底層的語法，而是隱式的將它捕獲在同一個(gè)網(wǎng)絡(luò)中。

9、分布式與分配式

Chris Manning 本人澄清了這兩個(gè)詞之間的區(qū)別。

分布式：在若干個(gè)元素中的連續(xù)激活水平。比如密集詞匯嵌入，而不是1-hot 向量。

分配式：表示的是使用上下文。word2vec 是分配式的，當(dāng)我們使用詞匯的上下文來建模語義時(shí)，基于計(jì)數(shù)的詞匯向量也是分配式的。

10、依賴狀態(tài)分析

Penn Treebank 中的依賴分析器比較：

最后一個(gè)結(jié)果是從谷歌“提取出所有 stops”得到的，將海量數(shù)據(jù)源來訓(xùn)練斯坦福神經(jīng)語法解析器。

11、Theano

我之前對 Theano 有所了解，但是我在暑期學(xué)校學(xué)習(xí)到了更多。而且它實(shí)在是太棒了。

由于 Theano 起源自蒙特利爾，直接請教 Theano 的開發(fā)者會很有用。

關(guān)于它大多數(shù)的信息都可以在網(wǎng)上找到，以交互式 Python 教程的形式。

12、Nvidia Digits

英偉達(dá)有一個(gè)叫做 Digits 的工具包，它可以訓(xùn)練并可視化復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型而不需要寫任何代碼。并且他們正在出售 DevBox，這是一款定制機(jī)器，可以運(yùn)行 Digits 和其他深度學(xué)習(xí)軟件（Theano，Caffe 等）。它有 4 塊 Titan X GPU，目前售價(jià) 15,000 美元。

13、Fuel

Fuel 是一款管理數(shù)據(jù)集迭代的工具，它可以將數(shù)據(jù)集切分成若干小部分，進(jìn)行 shuffle 操作，執(zhí)行多種預(yù)處理步驟等。對于一些建立好的數(shù)據(jù)集有預(yù)置的功能，比如 MNIST，CIFAR-10 和谷歌的 10 億詞匯語料庫。它主要是與 Blocks 結(jié)合使用，Blocks 是使用 Theano 簡化網(wǎng)絡(luò)結(jié)構(gòu)的工具。

14、多模型語言學(xué)規(guī)律

記得“國王-男性+女性=女王”嗎？事實(shí)上圖片也能這么處理（Kiros 等人，2015）。

15、泰勒級數(shù)逼近

當(dāng)我們在點(diǎn)處，向移動時(shí)，那么我們可以通過計(jì)算導(dǎo)函數(shù)來估計(jì)函數(shù)在新位置的值，我們將使用泰勒級數(shù)逼近：

同樣地，當(dāng)我們將參數(shù)更新到時(shí)，我們可以估計(jì)損失函數(shù)：

其中g(shù)是對θ的導(dǎo)數(shù)，H是對θ的二階 Hessian 導(dǎo)數(shù)。

這是二階泰勒逼近，但是我們可以通過采用更高階導(dǎo)數(shù)來增加準(zhǔn)確性。

16、計(jì)算強(qiáng)度

Adam Coates 提出了一種分析 GPU 上矩陣操作速度的策略。這是一個(gè)簡化的模型，可以顯示花在讀取內(nèi)存或者進(jìn)行計(jì)算的時(shí)間。假設(shè)你可以同時(shí)計(jì)算這兩個(gè)值，那么我們就可以知道那一部分耗費(fèi)時(shí)間更多。

假設(shè)我們將矩陣和一個(gè)向量相乘：

如果M=1024，N=512，那么我們需要讀取和存儲的字節(jié)數(shù)是：

4 bytes ×(1024×512+512+1024)=2.1e6 bytes

計(jì)算次數(shù)是：

2×1024×512=1e6 FLOPs

如果我們有塊 6TFLOP/s的 GPU，帶寬 300GB/s的內(nèi)存，那么運(yùn)行總時(shí)間是：

max{2.1e6 bytes /(300e9 bytes/s),1e6 FLOPs/(6e12 FLOP/s)}=max{7μs,0.16μs}

這意味著處理過程的瓶頸在于從內(nèi)存中復(fù)制或向內(nèi)存中寫入消耗的7μs，而且使用更快的 GPU 也不會提升速度了。你可能會猜到，在進(jìn)行矩陣-矩陣操作時(shí)，當(dāng)矩陣/向量變大時(shí)，這一情況會有所好轉(zhuǎn)。

Adam 同樣給出了計(jì)算操作強(qiáng)度的算法：

強(qiáng)度= （#算術(shù)操作）/（#字節(jié)加載或存儲數(shù)）

在之前的場景中，強(qiáng)度是這樣的：

強(qiáng)度= （1e6 FLOPs）/（2.1e6 bytes）= 0.5FLOPs/bytes

低強(qiáng)度意味著系統(tǒng)受內(nèi)存大小的牽制，高強(qiáng)度意味著受 GPU 速度的牽制。這可以被可視化，由此來決定應(yīng)該改進(jìn)哪個(gè)方面來提升整體系統(tǒng)速度，并且可以觀察較佳點(diǎn)的位置。

17、小批量

繼續(xù)說說計(jì)算強(qiáng)度，增加網(wǎng)絡(luò)強(qiáng)度的一種方式（受計(jì)算而不是內(nèi)存限制）是，將數(shù)據(jù)分成小批量。這可以避免一些內(nèi)存操作，GPU 也擅長并行處理大矩陣計(jì)算。

然而，增加批次的大小的話可能會對訓(xùn)練算法有影響，并且合并需要更多時(shí)間。重要的是要找到一個(gè)很好的平衡點(diǎn)，以在最短的時(shí)間內(nèi)獲得較好的效果。

18、對抗樣本的訓(xùn)練

據(jù)最近信息顯示，神經(jīng)網(wǎng)絡(luò)很容易被對抗樣本戲弄。在下面的案例中，左邊的圖片被正確分類成金魚。但是，如果我們加入中間圖片的噪音模式，得到了右邊這張圖片，分類器認(rèn)為這是一張雛菊的圖片。圖片來自于 Andrej Karpathy 的博客 “Breaking Linear Classifiers on ImageNet”，你可以從那了解更多。

噪音模式并不是隨機(jī)選擇的，而是為了戲弄網(wǎng)絡(luò)通過精心計(jì)算得到的。但是問題依然存在：右邊的圖像顯然是一張金魚而不是雛菊。

顯然，像集成模型，多掃視后投票和無監(jiān)督預(yù)訓(xùn)練的策略都不能解決這個(gè)漏洞。使用高度正則化會有所幫助，但會影響判斷不含噪聲圖像的準(zhǔn)確性。

Ian Goodfellow 提出了訓(xùn)練這些對抗樣本的理念。它們可以自動的生成并添加到訓(xùn)練集中。下面的結(jié)果表明，除了對對抗樣本有所幫助之外，這也提高了原始樣本上的準(zhǔn)確性。

最后，我們可以通過懲罰原始預(yù)測分布與對抗樣本上的預(yù)測分布之間的 KL 發(fā)散來進(jìn)一步改善結(jié)果。這將優(yōu)化網(wǎng)絡(luò)使之更具魯棒性，并能夠?qū)ο嗨疲▽沟模﹫D像預(yù)測相似類分布。

19、萬事萬物皆為語言建模

Phil Blunsom 提出，幾乎所有的 NLP 都可以構(gòu)建成語言模型。我們可以通過這種方式實(shí)現(xiàn)，將輸出與輸入連接，并嘗試預(yù)測整個(gè)序列的概率。

翻譯：

P(Les chiens aiment les os Dogs love bones)

問答：

P(What do dogs love? bones .)

對話：

P(How are you? Fine thanks. And you?)

后兩個(gè)必須建立在對世界已知事物了解的基礎(chǔ)上。第二部分甚至可以不是詞語，也可以是一些標(biāo)簽或者結(jié)構(gòu)化輸出，比如依賴關(guān)系。

20、SMT 開頭難

當(dāng) Frederick Jelinek 和他在 IBM 的團(tuán)隊(duì)在 1988 年提交了關(guān)于統(tǒng)計(jì)機(jī)器翻譯第一批之一的論文時(shí)，他們的到了如下的匿名評審：

正如作者提到的，早在 1949 年 Weaver 就肯定了統(tǒng)計(jì)（信息論）方法進(jìn)行機(jī)器翻譯的有效性。而在 1950 年被普遍認(rèn)為是錯(cuò)誤的（參見 Hutchins, MT – Past, Present, Future, Ellis Horwood, 1986, p. 30ff 和參考文獻(xiàn)）。計(jì)算機(jī)的暴力解決并不是科學(xué)。該論文已經(jīng)超出了 COLING 的范圍。

21、神經(jīng)機(jī)器翻譯（Neural Machine Translation）現(xiàn)狀

顯然，一個(gè)非常簡單的神經(jīng)網(wǎng)絡(luò)模型可以產(chǎn)生出奇好的結(jié)果。下圖是 Phil Blunsom 的一張幻燈片，將中文翻譯成英文的例子：

在這個(gè)模型中，漢字向量簡單地相加在一起形成一個(gè)語句向量。解碼器包含一個(gè)條件性語言模型，將語句向量和兩個(gè)最近生成的英語單詞中的向量結(jié)合，然后生成譯文中下一個(gè)單詞。

然而，神經(jīng)模型仍然沒有將傳統(tǒng)機(jī)器翻譯系統(tǒng)性能發(fā)揮到極致。但是它們已經(jīng)相當(dāng)接近了。Sutskever 等人（2014）在“Sequence to Sequence Learning with Neural Networks”中的結(jié)果：

更新：@stanfordnlp 指出，最近一些結(jié)果表明，神經(jīng)模型確實(shí)會將傳統(tǒng)機(jī)器翻譯系統(tǒng)性能發(fā)揮到極致。查看這篇論文“Effective Approaches to Attention-based Neural Machine Translation”（Luong 等人，2015）

22、偉大人物的分類例子

Richard Socher 演示了偉大人物圖像分類例子，你可以自己上傳圖像來訓(xùn)練。我訓(xùn)練了一個(gè)可以識別愛迪生和愛因斯坦（不能找到足夠的特斯拉個(gè)人相片）的分類器。每個(gè)類有 5 張樣本圖片，對每個(gè)類測試輸出圖像。似乎效果不錯(cuò)。

23、優(yōu)化梯度更新

Mark Schmidt 給出了兩份關(guān)于在不同情況下數(shù)值優(yōu)化的報(bào)告。

在確定性梯度方法中，我們在整個(gè)數(shù)據(jù)集上計(jì)算了梯度，然后更新它。迭代成本與數(shù)據(jù)集大小呈線性關(guān)系。

在隨機(jī)梯度方法中，我們在一個(gè)數(shù)據(jù)點(diǎn)上計(jì)算了梯度，然后更新它。迭代成本與數(shù)據(jù)集大小無關(guān)。

隨機(jī)梯度下降中的每次迭代要快許多，但是它通常需要更多的迭代來訓(xùn)練網(wǎng)絡(luò)，如下圖所示：

為了達(dá)到這兩者較好效果，我們可以用批量處理。確切的說，我們可以對數(shù)據(jù)集先進(jìn)行隨機(jī)梯度下降，為快速達(dá)到右邊的部分，然后開始增加批大小。梯度誤差隨著批大小的增加而減少，然而最終迭代成本大小還是會取決于數(shù)據(jù)集大小。

隨機(jī)平均梯度（SAG）可以避免這樣的情況，每次迭代只有 1 個(gè)梯度，從而得到線性收斂速度。不幸的是，這對于大型神經(jīng)網(wǎng)絡(luò)是不可行的，因?yàn)樗鼈冃枰涀∶恳粋€(gè)數(shù)據(jù)點(diǎn)的梯度更新，這就會耗費(fèi)大量內(nèi)存。隨機(jī)方差降低梯度（SVRG）可以減少這種內(nèi)存耗費(fèi)的情況，并且每次迭代（加上偶然全部通過）只需要兩次梯度計(jì)算。

Mark 表示，他的一位學(xué)生實(shí)現(xiàn)了各種優(yōu)化方法（AdaGrad，momentum，SAG 等）。當(dāng)問及在黑盒神經(jīng)網(wǎng)絡(luò)系統(tǒng)中他會使用什么方法時(shí)，這位學(xué)生給出了兩種方法：Streaming SVRG（Frostig 等人，2015），和一種他們還沒發(fā)布的方法。

24、Theano 分析

如果你將“profile=true”賦值給 THEANO_FLAGS，它將會分析你的程序，然后顯示花在每個(gè)操作上的時(shí)間。對尋找性能瓶頸很有幫助。

25、對抗性網(wǎng)絡(luò)框架

繼 Ian Goodfellow 關(guān)于對抗性樣本的演講之后，Yoshua Bengio 談到了用兩個(gè)系統(tǒng)相互競爭的案例。

系統(tǒng)D是一套判別性系統(tǒng)，它的目的是分類真實(shí)數(shù)據(jù)和人工生成的數(shù)據(jù)。

系統(tǒng)G是一套生成系統(tǒng)，它試圖生成可以讓系統(tǒng)D錯(cuò)誤分類成真實(shí)數(shù)據(jù)的數(shù)據(jù)。

當(dāng)我們訓(xùn)練一個(gè)系統(tǒng)時(shí)，另外一個(gè)系統(tǒng)也要相應(yīng)的變的更好。在實(shí)驗(yàn)中這的確有效，不過步長必須保持十分小，以便于系統(tǒng)D可以更上G的速度。下面是“Deep Generative Image Models using a Laplacian Pyramid of Adversarial Networks”中的一些例子——這個(gè)模型的一個(gè)更高級版本，它試圖生成教堂的圖片。