您的位置:首页 > 理论基础 > 计算机网络

斯坦福NLP课程 | 第4讲 - 神经网络反向传播与计算图

2022-05-04 00:10 1051 查看 https://www.cnblogs.com/showme

作者:韩信子@ShowMeAI,路遥@ShowMeAI,奇异果@ShowMeAI 教程地址http://www.showmeai.tech/tutorials/36 本文地址http://www.showmeai.tech/article-detail/236 声明:版权所有,转载请联系平台与作者并注明出处

收藏ShowMeAI查看更多精彩内容

ShowMeAI斯坦福CS224n《自然语言处理与深度学习(Natural Language Processing with Deep Learning)》课程的全部课件,做了中文翻译和注释,并制作成了GIF动图!

本讲内容的深度总结教程可以在这里 查看。视频和课件等资料的获取方式见文末

引言

内容覆盖

  • ① 简单神经网络的梯度矩阵与建议
  • ② 计算图与反向传播
  • ③ 神经网络训练实用知识技能 正则化(用于环节过拟合)
  • 向量化
  • 非线性表达能力
  • 参数初始化
  • 优化算法
  • 学习率策略

1.简单神经网络的梯度矩阵与建议

1.1 权重矩阵的导数

  • 让我们仔细看看计算 \frac{\partial s}{\partial W} 再次使用链式法则
\frac{\partial s}{\partial W}=\frac{\partial s}{\partial h} \frac{\partial h}{\partial z} \frac{\partial z}{\partial W} \begin{aligned} s &= u^T h \\ h &= f(z) \\ z &= Wx+b \end{aligned}

1.2 反向传播梯度求导

  • 这个函数(从上次开始)
\frac{\partial s}{\partial W}=\delta \frac{\partial z}{\partial W}=\delta \frac{\partial}{\partial W} Wx+b
  • 考虑单个权重 W_{ij} 的导数
  • W_{ij} 只对 z_i 有贡献 例如 W_{23} 只对 z_2 有贡献,对 z_1 没有贡献
\begin{aligned} \frac{\partial z_{i}}{\partial W_{i j}} &=\frac{\partial}{\partial W_{i j}} W_{i \cdot} x+b_{i} \\ &=\frac{\partial}{\partial W_{i j}} \sum_{k=1}^{d} W_{i k} x_{k}=x_{j} \end{aligned}

  • 对于单个 W_{ij} 的导数:
\frac{\partial s}{\partial W_{i j}} = \delta_i x_j
  • 我们想要整个 W 的梯度,但是每种情况都是一样的
  • 解决方案:外积
\begin{aligned} \frac{\partial s}{\partial {W}}&=\delta ^{T} x^{T}\\ [n \times m] &= [n \times 1][1 \times m] \end{aligned}

1.3 梯度求导:技巧与建议

  • 技巧1:仔细定义变量并关注它们的维度!

  • 技巧2:链式法则!如果 y = f(u) , u = g(x),即 y = f(g(x)) 则

\frac{\partial {y}}{\partial {x}}=\frac{\partial {y}}{\partial {u}} \frac{\partial {u}}{\partial {x}}
  • 提示3:模型的最上面的softmax部分:首先考虑当 c = y (正确的类)的导数 f_c,然后再考虑当 c \neq y (所有不正确的类)的导数 f_c

  • 技巧4:如果你被矩阵微积分搞糊涂了,请计算逐个元素的偏导数!

  • 技巧5:使用形状约定。注意:到达隐藏层的错误消息 \delta 具有与该隐藏层相同的维度

1.4 为窗口模型推导梯度

  • 到达并更新单词向量的梯度可以简单地分解为每个单词向量的梯度

  • 令 \nabla_{x} J=W^{T} \delta=\delta_{x_{w i n d o w}}

  • X_{window}=[X_{museums} \quad X_{in} \quad X_{Paris} \quad X_{are} \quad X_{ amazing}]

  • 则得到

\begin{aligned} \delta_{window}=\left[\begin{array}{c}{\nabla_{x_{\text {museums}}}} \\ {\nabla_{x_{i n}}} \\ {\nabla_{x_{\text {Pare}}}} \\ {\nabla_{x_{\text {are}}}} \\ {\nabla_{x_{\text {amazing}}}}\end{array}\right] \in \mathbb{R}^{5 d} \end{aligned}
  • 我们将根据梯度逐个更新对应的词向量矩阵中的词向量,所以实际上是对词向量矩阵的更新是非常稀疏的

1.5 在窗口模型中更新单词梯度

  • 当我们将梯度更新到词向量中时,这将更新单词向量,使它们(理论上)在确定命名实体时更有帮助。
  • 例如,模型可以了解到,当看到 x_{in} 是中心词之前的单词时,指示中心词是一个 Location

1.6 重新训练词向量时的陷阱

背景:我们正在训练一个单词电影评论情绪的逻辑回归分类模型。

  • 训练数据中,我们有“TV”和“telly”
  • 测试数据中我们有“television””
  • 预训练的单词向量有三个相似之处:

  • 问题:当我们更新向量时会发生什么

  • 回答

    那些在训练数据中出现的单词会四处移动 “TV”和“telly”
  • 没有包含在训练数据中的词汇保持原样
      “television”

    1.7 关于再训练的建议

    • 问题:应该使用可用的“预训练”词向量吗?

    • 回答

      几乎总是「应该用」
    • 他们接受了大量的数据训练,所以他们会知道训练数据中没有的单词,也会知道更多关于训练数据中的单词
    • 拥有上亿的数据语料吗?那可以随机初始化开始训练
  • 问题:我应该更新(“fine tune”)我自己的单词向量吗?

  • 回答

      如果你只有一个小的训练数据集,不要对预训练词向量做再训练
    • 如果您有一个大型数据集,那么基于任务训练更新词向量( train = update = fine-tune )效果会更好

    2.计算图与反向传播

    2.1 反向传播

    • 我们几乎已经向你们展示了反向传播

      求导并使用(广义)链式法则
  • 另一个技巧:在计算较低层的导数时,我们重用对较深层计算的导数,以减小计算量

  • 2.2 计算图和反向传播

    • 我们把神经网络方程表示成一个图 源节点:输入
    • 内部节点:操作
    • 边传递操作的结果
    \begin{aligned} s &= u^Th \\ h &= f(z) \\ z &= Wx+b \\ x & \quad (input) \end{aligned}

    Forward Propagation:前向传播 Back Propagation:沿着边回传梯度

    2.3 反向传播:单神经元视角

    • 节点接收“上游梯度”

      目标是传递正确的“下游梯度”
  • 每个节点都有局部梯度 local gradient

      它输出的梯度是与它的输入有关
  • 每个节点都有局部梯度 local gradient

      n它输出的梯度是与它的输入有关
  • 每个节点都有局部梯度 local gradient

      它输出的梯度是与它的输入有关

    • 有多个输入的节点呢?z=Wx
    • 多个输入 → 多个局部梯度

    2.4 反向传播计算图示例

    2.5 求和形态的梯度计算

    上图中的 \frac{\partial f}{\partial y} 的梯度的计算

    \begin{aligned} a &= x + y \\ b &= max(y,z)\\ f &= ab \end{aligned} \frac{\partial f}{\partial y} = \frac{\partial f}{\partial a}\frac{\partial a}{\partial y} + \frac{\partial f}{\partial b}\frac{\partial b}{\partial y}

    2.6 直挂理解神经元的梯度传递

    • + “分发” 上游梯度
    • max “路由” 上游梯度,将梯度发送到最大的方向
    • \ast “切换”上游梯度

    2.7 同步计算所有梯度以提速

    • 错误的反向传播计算方式

      先计算$b$的偏导
    • 接着计算$W$的偏导
    • 重复计算!
  • 正确的反向传播计算方式

      一次性计算所有偏导
    • 类似手动计算梯度时的方式

    2.8 一般计算图中的反向传播

    • Fprop:按拓扑排序顺序访问节点

      计算给定父节点的节点的值
  • Bprop

      初始化输出梯度为 1
    • 以相反的顺序方位节点,使用节点的后继的梯度来计算每个节点的梯度
    • \{y_1,y_2,\cdots,y_n\} 是 x 的后继
    \frac{\partial z}{\partial x} = \sum_{i=1}^n \frac{\partial z}{\partial y_i}\frac{\partial y_i}{\partial x}
    • 正确地说,Fprop 和 Bprop 的计算复杂度是一样的
    • 一般来说,我们的网络有固定的层结构,所以我们可以使用矩阵和雅可比矩阵

    2.9 自动微分

    • 梯度计算可以从 Fprop 的符号表达式中自动推断
    • 每个节点类型需要知道如何计算其输出,以及如何在给定其输出的梯度后计算其输入的梯度
    • 现代DL框架(Tensorflow, Pytoch)为您做反向传播,但主要是令作者手工计算层/节点的局部导数

    2.10 反向传播的实现

    为了计算反向传播,我们需要在前向传播时存储一些变量的值

    2.11 实现:前向/反向API

    为了计算反向传播,我们需要在前向传播时存储一些变量的值

    2.12 梯度检查:数值梯度

    • 对于 h \approx 1e^{-4} , f^{\prime}(x) \approx \frac{f(x+h)-f(x-h)}{2 h}

    • 易于正确实现

    • 但近似且非常缓慢

      必须对模型的每个参数重新计算 f
  • 用于检查您的实现

      在过去我们手写所有东西的时候,在任何地方都这样做是关键。
    • 现在,当把图层放在一起时,就不需要那么多了

    2.13 总结

    • 我们已经掌握了神经网络的核心技术
    • 反向传播:沿计算图递归应用链式法则 [downstream gradient] = [upstream gradient] x [local gradient]
  • 前向传递:计算操作结果并保存中间值
  • 反向传递:应用链式法则计算梯度
  • 2.14 为什么要学习梯度的所有细节?

    • 现代深度学习框架为您计算梯度

    • 但是,当编译器或系统为您实现时,为什么要学习它们呢?

      了解底层原理是有帮助的
  • 反向传播并不总是完美地工作

      理解为什么对调试和改进模型至关重要
    • 参见 Karpathy文章
  • 未来课程的例子:爆炸和消失的梯度

  • 3.神经网络训练实用知识技能

    3.1 模型正则化防止过拟合

    • 实际上一个完整的损失函数包含了所有参数$\theta$的正则化(下式中最后一项),例如L2正则化:
    J(\theta)=\frac{1}{N} \sum_{i=1}^{N}-\log (\frac{e^{f_{y_{i}}}}{\sum_{c=1}^{C} e^{f_{c}}})+\lambda \sum_{k} \theta_{k}^{2}
    • 正则化(在很大程度上)可以防止在我们有很多特征时过拟合(或者是一个非常强大/深层的模型等等)

    3.2 向量化形态

    • 例如,对单词向量进行循环,而不是将它们全部连接到一个大矩阵中,然后将softmax权值与该矩阵相乘

      1000 loops, best of 3: 639 μs per loop
    • 10000 loops, best of 3: 53.8 μs per loop
  • (10x)更快的方法是使用 C \times N 矩阵

  • 总是尝试使用向量和矩阵,而不是循环

  • 你也应该快速测试你的代码

  • 简单来说:矩阵向量化的方式太棒了

  • 3.3 非线性:常规激活函数

    tanh 只是一个重新放缩和移动的 sigmoid (两倍陡峭,[-1,1])

    \tanh (z)=2 logistic(2 z)-1

    logistic 和 tanh 仍然被用于特定的用途,但不再是构建深度网络的默认值。

    tiplogistic和tanh

    设计复杂的数学运算,指数计算会减慢速度。所以人们提出了 hard tanh,并且效果很不错。于是才有了 ReLU

    3.4 非线性:新的激活函数

    • 为了建立一个前馈深度网络,你应该做的第一件事是ReLU——由于良好的梯度回流,训练速度快,性能好

    tipReLU

    • 每个单元要么已经死了,要么在传递信息。
    • 非零范围内只有一个斜率,这一位置梯度十分有效的传递给了输入,所以模型非常有效的训练

    3.5 参数初始化

    • 通常 必须将权重初始化为小的随机值 (这样才能在激活函数的有效范围内, 即存在梯度可以使其更新) 避免对称性妨碍学习/特殊化的
  • 初始化隐含层偏差为0,如果权重为0,则输出(或重构)偏差为最优值(例如,均值目标或均值目标的反s形)
  • 初始化 所有其他权重为 Uniform(–r, r),选择使数字既不会太大也不会太小的 r
  • Xavier初始化中,方差与 fan-in n_{in} (前一层尺寸)和 fan-out n_{out}(下一层尺寸)成反比
  • Var(W_i)=\frac{2}{n_{in}+n_{out}}

    3.6 优化算法

    通常,简单的SGD就可以了

    • 然而,要得到好的结果通常需要手动调整学习速度(下一张幻灯片)
    • 对于更复杂的网络和情况,或者只是为了避免担心,更有经验的复杂的 “自适应”优化器通常会令你做得更好,通过累积梯度缩放参数调整。
    • 这些模型给每个参数调整学习速度 Adagrad
    • RMSprop
    • Adam 相当好,在许多情况下是安全的选择
    • SparseAdam

    3.7 学习率策略

    • 你可以用一个固定的学习速度。从 $lr = 0.001$开始?

      它必须是数量级的——尝试10的幂
    • 太大:模型可能会发散或不收敛
    • 太小:你的模型可能训练不出很好的效果
  • 如果你在训练时降低学习速度,通常可以获得更好的效果

      手工:每隔 k 个阶段(epoch)将学习速度减半 epoch = 遍历一次数据 (打乱或采样的)
  • 通过一个公式: l r=l r_{0} e^{-k t}, {for epoch }t
  • 还有更新奇的方法,比如循环学习率(q.v.)
  • 更高级的优化器仍然使用学习率,但它可能是优化器缩小的初始速度——因此可能可以从较高的速度开始

  • 4.视频教程

    可以点击 B站 查看视频的【双语字幕】版本

    5.参考资料

    ShowMeAI系列教程推荐

    NLP系列教程文章

    斯坦福 CS224n 课程带学详解

    内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
    标签: