【面向代码】学习 Deep Learning（二）Deep Belief Nets(DBNs)

【面向代码】学习
Deep Learning（二）Deep Belief Nets(DBNs)

最近一直在看Deep Learning，各类博客、论文看得不少

但是说实话，这样做有些疏于实现，一来呢自己的电脑也不是很好，二来呢我目前也没能力自己去写一个toolbox

只是跟着Andrew Ng的UFLDL tutorial 写了些已有框架的代码(这部分的代码见github)

后来发现了一个matlab的Deep Learning的toolbox，发现其代码很简单，感觉比较适合用来学习算法

再一个就是matlab的实现可以省略掉很多数据结构的代码，使算法思路非常清晰

所以我想在解读这个toolbox的代码的同时来巩固自己学到的，同时也为下一步的实践打好基础

(本文只是从代码的角度解读算法，具体的算法理论步骤还是需要去看paper的

我会在文中给出一些相关的paper的名字，本文旨在梳理一下算法过程，不会深究算法原理和公式)

==========================================================================================

使用的代码：DeepLearnToolbox 
，下载地址：点击打开，感谢该toolbox的作者

==========================================================================================

今天介绍DBN的内容，其中关键部分都是(Restricted Boltzmann Machines, RBM)的步骤，所以先放一张rbm的结构，帮助理解


(图来自baidu的一个讲解ppt)

==========================================================================================

照例，我们首先来看一个完整的DBN的例子程序：

这是\tests\test_example_DBN.m 中的ex2

[cpp] view
plaincopy

//train dbn  

dbn.sizes = [100 100];  

opts.numepochs =   1;  

opts.batchsize = 100;  

opts.momentum  =   0;  

opts.alpha     =   1;  

dbn =dbnsetup(dbn, train_x, opts);                //here！！！  

dbn = dbntrain(dbn, train_x, opts);                //here！！！  

  

//unfold dbn to nn  

nn = dbnunfoldtonn(dbn, 10);                       //here！！！  

nn.activation_function = 'sigm';  

  

//train nn  

opts.numepochs =  1;  

opts.batchsize = 100;  

nn = nntrain(nn, train_x, train_y, opts);  

[er, bad] = nntest(nn, test_x, test_y);  

assert(er < 0.10, 'Too big error');  

其中的过程简单清晰明了，就是dbnsetup(),dbntrain()以及dbnunfoldtonn()三个函数
最后fine tuning的时候用了（一）里看过的nntrain和nntest，参见（一）

\DBN\dbnsetup.m

     这个实在没什么好说的，

     直接分层初始化每一层的rbm(受限波尔兹曼机(Restricted Boltzmann Machines, RBM))

     同样，W,b,c是参数，vW,vb,vc是更新时用到的与momentum的变量，见到代码时再说

[cpp] view
plaincopy

for u = 1 : numel(dbn.sizes) - 1  

    dbn.rbm{u}.alpha    = opts.alpha;  

    dbn.rbm{u}.momentum = opts.momentum;  

  

    dbn.rbm{u}.W  = zeros(dbn.sizes(u + 1), dbn.sizes(u));  

    dbn.rbm{u}.vW = zeros(dbn.sizes(u + 1), dbn.sizes(u));  

  

    dbn.rbm{u}.b  = zeros(dbn.sizes(u), 1);  

    dbn.rbm{u}.vb = zeros(dbn.sizes(u), 1);  

  

    dbn.rbm{u}.c  = zeros(dbn.sizes(u + 1), 1);  

    dbn.rbm{u}.vc = zeros(dbn.sizes(u + 1), 1);  

end  

\DBN\dbntrain.m

     应为DBN基本就是把rbm当做砖块搭建起来的，所以train也很简单

[cpp] view
plaincopy

function dbn = dbntrain(dbn, x, opts)  

    n = numel(dbn.rbm);  

    //对每一层的rbm进行训练  

    dbn.rbm{1} = rbmtrain(dbn.rbm{1}, x, opts);  

    for i = 2 : n  

        x = rbmup(dbn.rbm{i - 1}, x);  

        dbn.rbm{i} = rbmtrain(dbn.rbm{i}, x, opts);   

    end  

end  

  首先映入眼帘的是对第一层进行rbmtrain()，后面每一层在train之前用了rbmup，
  rbmup其实就是简单的一句sigm(repmat(rbm.c', size(x, 1), 1) + x * rbm.W');
  也就是上面那张图从v到h计算一次，公式是Wx+c
   接下来是最关键的rbmtrain了：

   \DBN\rbmtrain.m

        代码如下，说明都在注释里
         论文参考：【1】Learning Deep Architectures for AI   以及   
                          【2】A Practical Guide to Training Restricted Boltzmann Machines
         你可以和【1】里面的这段伪代码对应一下
              


[cpp] view
plaincopy

for i = 1 : opts.numepochs //迭代次数  

     kk = randperm(m);  

     err = 0;  

     for l = 1 : numbatches  

         batch = x(kk((l - 1) * opts.batchsize + 1 : l * opts.batchsize), :);  

           

         v1 = batch;  

         h1 = sigmrnd(repmat(rbm.c', opts.batchsize, 1) + v1 * rbm.W');            //gibbs sampling的过程  

         v2 = sigmrnd(repmat(rbm.b', opts.batchsize, 1) + h1 * rbm.W);  

         h2 = sigm(repmat(rbm.c', opts.batchsize, 1) + v2 * rbm.W');  

         //Contrastive Divergence 的过程   

         //这和《Learning Deep Architectures for AI》里面写cd-1的那段pseudo code是一样的  

         c1 = h1' * v1;  

         c2 = h2' * v2;  

         //关于momentum，请参看Hinton的《A Practical Guide to Training Restricted Boltzmann Machines》  

         //它的作用是记录下以前的更新方向，并与现在的方向结合下，跟有可能加快学习的速度  

         rbm.vW = rbm.momentum * rbm.vW + rbm.alpha * (c1 - c2)     / opts.batchsize;      

         rbm.vb = rbm.momentum * rbm.vb + rbm.alpha * sum(v1 - v2)' / opts.batchsize;  

         rbm.vc = rbm.momentum * rbm.vc + rbm.alpha * sum(h1 - h2)' / opts.batchsize;  

         //更新值  

         rbm.W = rbm.W + rbm.vW;  

         rbm.b = rbm.b + rbm.vb;  

         rbm.c = rbm.c + rbm.vc;  

  

         err = err + sum(sum((v1 - v2) .^ 2)) / opts.batchsize;  

     end  

 end  

\DBN\dbnunfoldtonn.m

      DBN的每一层训练完成后自然还要把参数传递给一个大的NN，这就是这个函数的作用

[cpp] view
plaincopy

function nn = dbnunfoldtonn(dbn, outputsize)  

%DBNUNFOLDTONN Unfolds a DBN to a NN  

%   outputsize是你的目标输出label，比如在MINST就是10，DBN只负责学习feature  

%   或者说初始化Weight，是一个unsupervised learning，最后的supervised还得靠NN  

    if(exist('outputsize','var'))  

        size = [dbn.sizes outputsize];  

    else  

        size = [dbn.sizes];  

    end  

    nn = nnsetup(size);  

    %把每一层展开后的Weight拿去初始化NN的Weight  

    %注意dbn.rbm{i}.c拿去初始化了bias项的值  

    for i = 1 : numel(dbn.rbm)  

        nn.W{i} = [dbn.rbm{i}.c dbn.rbm{i}.W];  

    end  

end  

最后fine tuning就再训练一下NN就可以了

总结

      还是那句话，本文只是梳理一下学习路线，具体的东西还是要靠paper
      dbn主要的关键就是rbm，推荐几篇经典的文章吧，rbm可是Hinton的宝贝啊
      其中涉及到MCMC，Contrastive divergence，感觉比Autoencoder难理解多了
          [1] An Introduction to Restricted Boltzmann Machines
          [2] Learning Deep Architectures for AI                                                     Bengio大作啊
          [3] A Practical Guide to Training Restricted Boltzmann Machines              上面提到过，比较细致
          [4] A learning Algorithm for Boltzmann Machines                                      Hinton的