多层感知机
之前已经介绍过了线性回归和softmax回归在内的单层神经网络,然后深度学习主要学习多层模型,后续将以多层感知机(multilayer percetron,MLP),介绍多层神经网络的概念。
隐藏层
多层感知机在单层神经网络的基础上引入了一到多个隐藏层(hidden layer)。隐藏层位于输入层和输出层质检。下图展示了一个多层感知机的神经网络,它含有一个隐藏层,该层中有5个隐藏单元。
输入和输出个数为别为4和3,中间隐藏层中包含了5个隐藏单元。由于输入层不涉及计算,多层感知机的层数为2。隐藏层中的神经元和输入层各输入完全连接,输出层中的神经元和隐藏层中的各神经元也完全连接。因此多层感知机中的隐藏层和输出层都是全连接。
具体来说,给定一个小批量样本\(X∈R^{nxd}\),其批量大小为n,输入个数为d。假设多层感知机只有一个隐含层,其中隐层单元个数为h。记隐藏层的输出为H,有\(H∈R^{nxh}\),因为隐藏层和输出层均为全连接层,可以设隐藏层的权重参数和偏差参数为别为\(W_{h}∈R^{dxh} 和b_{h}∈R^{1xh}\),输出层的权重和偏差参数分别为$ W_{o}∈R{1xq}$
我们先来看一种含单隐藏层的多层感知机的的设计,其输出\(O∈R^{nxq}\)的计算为
\]
也就是将隐藏层的输出直接作为输出层的输入。如果将以上两个
\]
从联立的公式中可以看出,虽然引入了隐藏层,却依然等价于一个单层神经网络:
其输出层权重参数为\(W_{h}W_{o}\),偏差参数为\(b_{h}W_{o}+b_{o}\),即便添加更多的隐藏层,以上设计依然可以与仅含输出层的单层神经网络等价。
激活函数
使用隐藏变量使用按照元素运算的非线性函数进行变换,然后作为一个全连接层的输入。这个非线性函数进行转换叫作激活函数(activation function)
- ReLU函数
ReLu函数只保留正数元素,并将负数元素清零。为了直观的观察这一非线性变换,我可以先自己定义一个函数xyplot
%matplotlib inline
import torch
import numpy as np
import matplotlib.pylab as plt
import sys
sys.path.append('..')
import d2lzh_pytorch as d2l
def xyplot(x_vals,y_vals,name):
d2l.set_figsize(figsize=(5,2.5))
d2l.plt.plot(x_vals.detach().numpy(),y_vals.detach().numpy())
d2l.plt.xlabel('x')
d2l.plt.ylabel(name+'(x)')
x = torch.arange(-8.0,8.0,0.1,requires_grad=True)
y= x.relu()
xyplot(x,y,'relu')
显然,当输入值为负数时,ReLU函数的导数为0,当输入为正数时,ReLU导数为1。
尽管输入为0时ReLu函数不可导,但是我们可以取此处的导数为0
y.sum().backward()
xyplot(x,x.grad,'grad of relu')
- sigmoid函数
sigmoid函数可以将元素的值转变到0和1之间
\]
y = x.sigmoid()
xyplot(x,y,'sigmoid')
根据链式法则,$$sigmoid^{'}(x) = sigmoid(x)(1-sigmoid(x))$$
sigmoid函数的导数,当输入为0时,sigmoid函数的导数达到最大的0.25,当输入越偏离0时,simoid函数的导数越接近0。
x.grad.zero_()
y.sum().backward()
xyplot(x,x.grad,'grad of simoid')
- tanh 函数
tanh函数(双曲正切)可以将元素的值变换到-1和1之间:
\]
y = x.tanh()
xyplot(x,y,'tanh')
根据链式法则,tanh函数的导数
\]
x.grad.zero_()
y.sum().backward()
xyplot(x,x.grad,'grad of tanh')
多层感知机就是含有至少一个隐藏层的由全连接组成的神经网络,且每个隐藏层的输出通过激活函数进行变换。多层感知机的层数和各层隐藏层中隐藏单元个数都是超参数。以隐藏层为例并沿用本节之前定义的符号,多层感知机按一下方式计算输出:
\]
其中,\(\phi\)表示激活函数。在分类问题中,我们可以输出\(O\)做softmax运算,并使用softmax回归中的交叉熵损失函数。在回归问题中,我们将输出层的输出个数设为1,并将输出O直接提供给线性回归中使用的平方损失函数。
小结
- 多层感知机在输出层与输入层之间加入了一个或多个全连接隐藏层,并通过激活函数
对隐藏层输出进行变换 - 常用的激活函数包括ReLU函数,sigmoid函数,tanh函数