深度學(xué)習(xí)--深度信念網(wǎng)絡(luò)(Deep Belief Network)VIP

1、深度學(xué)習(xí)-深度信念網(wǎng)絡(luò)（Deep Belief Network）概述 深度信念網(wǎng)絡(luò) (Deep Belief Network, DBN) 由 Geoffrey Hinton 在 2006 年提出。它是一種生成模型，通過訓(xùn)練其神經(jīng)元間的權(quán)重，我們可以讓整個神經(jīng)網(wǎng)絡(luò)按照最大概率來生成訓(xùn)練數(shù)據(jù)。我們不僅可以使用 DBN 識別特征、分類數(shù)據(jù)，還可以用它來生成數(shù)據(jù)。下面的圖片展示的是用 DBN 識別手寫數(shù)字： 圖 1 用深度信念網(wǎng)絡(luò)識別手寫數(shù)字。圖中右下角是待識別數(shù)字的黑白位圖，它的上方有三層隱性神經(jīng)元。每一個黑色矩形代表一層神經(jīng)元，白點代表處于開啟狀態(tài)的神經(jīng)元，黑色代表處于關(guān)閉狀態(tài)

2、的神經(jīng)元。注意頂層神經(jīng)元的左下方即使別結(jié)果，與畫面左上角的對應(yīng)表比對，得知這個 DBN 正確地識別了該數(shù)字。下面是展示了一個學(xué)習(xí)了大量英文維基百科文章的 DBN 所生成的自然語言段落： In 1974 Northern Denver had been overshadowed by CNL, and several Irish intelligence agencies in the Mediterranean region. However, on the Victoria, Kings Hebrew stated that Charles decided to

3、 escape during an alliance. The mansion house was completed in 1882, the second in its bridge are omitted, while closing is the proton reticulum composed below it aims, such that it is the blurring of appearing on any well-paid type of box printer.  DBN 由多層神經(jīng)元構(gòu)成，這些神經(jīng)元又分

4、為顯性神經(jīng)元和隱性神經(jīng)元（以下簡稱顯元和隱元）。顯元用于接受輸入，隱元用于提取特征。因此隱元也有個別名，叫特征檢測器 (feature detectors)。最頂上的兩層間的連接是無向的，組成聯(lián)合內(nèi)存 (associative memory)。較低的其他層之間有連接上下的有向連接。最底層代表了數(shù)據(jù)向量 (data vectors)，每一個神經(jīng)元代表數(shù)據(jù)向量的一維。 DBN 的組成元件是受限玻爾茲曼機 (Restricted Boltzmann Machines, RBM)。訓(xùn)練 DBN 的過程是一層一層地進行的。在每一層中，用數(shù)據(jù)向量

5、來推斷隱層，再把這一隱層當(dāng)作下一層 (高一層) 的數(shù)據(jù)向量。 受限玻爾茲曼機 如前所述，RBM 是 DBN 的組成元件。事實上，每一個 RBM 都可以單獨用作聚類器。 RBM 只有兩層神經(jīng)元，一層叫做顯層 (visible layer)，由顯元 (visible units) 組成，用于輸入訓(xùn)練數(shù)據(jù)。另一層叫做隱層 (Hidden layer)，相應(yīng)地，由隱元 (hidden units) 組成，用作特征檢測器 (feature detectors)。  圖 2 受限玻爾茲曼機的結(jié)構(gòu)。

6、圖中的較上一層神經(jīng)元組成隱層，較下的神經(jīng)元組成顯元。每一層都可以用一個向量來表示，每一維表示每個神經(jīng)元。注意這兩層間的對稱 (雙向) 連接。 神經(jīng)元之間的條件獨立性 應(yīng)注意到，顯層和隱層內(nèi)部的神經(jīng)元都沒有互連，只有層間的神經(jīng)元有對稱的連接線。這樣的好處是，在給定所有顯元的值的情況下，每一個隱元取什么值是互不相關(guān)的。也就是說，  同樣，在給定隱層時，所有顯元的取值也互不相關(guān)： 有了這個重要性質(zhì)，我們在計算每個神經(jīng)元的取值情況時就不必每次計算一個，而是同時并行地計算整層神經(jīng)元。 使用 RBM 的過程 假設(shè)我們現(xiàn)在已經(jīng)得到一個訓(xùn)練

7、好的 RBM，每個隱元與顯元間的權(quán)重用矩陣W表示，且： 其中Wij代表從第i個顯元到第j個隱元的權(quán)重，M代表顯元的個數(shù)，N代表隱元的個數(shù)。那么，當(dāng)我們把一條新來的數(shù)據(jù)附給 (clamp to) 顯層后，RBM 將會依照權(quán)值W來決定開啟或關(guān)閉隱元。具體的操作如下： 首先，將每個隱元的激勵值 (activation) 計算出來：  注意，這里用到了前面提到的神經(jīng)元之間的條件獨立性。 然后，將每個隱元的激勵值都用 S 形函數(shù)進行標(biāo)準(zhǔn)化，變成它們處于開啟狀 (用 1 表示) 的概率值：  此處的 S 形函數(shù)我們采

8、用的是 Logistic 函數(shù)： 至此，每個隱元hj開啟的概率被計算出來了。其處于關(guān)閉狀態(tài) (用 0 表示) 的概率自然也就是 那么到底這個元開啟還是關(guān)閉，我們需要將開啟的概率與一個從 0, 1 均勻分布中抽取的隨機值  進行如下比較 然后開啟或關(guān)閉相應(yīng)的隱元。給定隱層，計算顯層的方法是一樣的。 訓(xùn)練 RBM RBM 的訓(xùn)練過程，實際上是求出一個最能產(chǎn)生訓(xùn)練樣本的概率分布。也就是說，要求一個分布，在這個分布里，訓(xùn)練樣本的概率最大。由于這個分布的決定性因素在于權(quán)值W ，所以我們訓(xùn)練 RBM 的目標(biāo)就是尋找最佳的權(quán)值。為了保持讀

9、者的興趣，這里我們不給出最大化對數(shù)似然函數(shù)的推導(dǎo)過程，直接說明如何訓(xùn)練 RBM。 G. Hinton 提出了名為對比散度 (Contrastive Divergence) 的學(xué)習(xí)算法。下面我們來詳述它的具體過程。 我們沿用前文的符號記法。 算法1. 對比散度 對于訓(xùn)練集中的每一條記錄如此訓(xùn)練之后的 RBM 就能較為準(zhǔn)確地提取顯層的特征，或者根據(jù)隱層所代表的特征還原顯層了。 深度信念網(wǎng)絡(luò) 前文我們已經(jīng)介紹了 RBM 的基本結(jié)構(gòu)和其訓(xùn)練、使用過程，接下來我們介紹DBN 的相關(guān)內(nèi)容。DBN 是由多層 RBM 組成的一個神經(jīng)網(wǎng)絡(luò)，它既可以被看

10、作一個生成模型，也可以當(dāng)作判別模型，其訓(xùn)練過程是：使用非監(jiān)督貪婪逐層方法去預(yù)訓(xùn)練獲得權(quán)值。 訓(xùn)練過程： 1. 首先充分訓(xùn)練第一個 RBM； 2. 固定第一個 RBM 的權(quán)重和偏移量，然后使用其隱性神經(jīng)元的狀態(tài)，作為第二個 RBM 的輸入向量； 3. 充分訓(xùn)練第二個 RBM 后，將第二個 RBM 堆疊在第一個 RBM 的上方； 4. 重復(fù)以上三個步驟任意多次； 5. 如果訓(xùn)練集中的數(shù)據(jù)有標(biāo)簽，那么在頂層的 RBM 訓(xùn)練時，這個 RBM 的顯層中除了顯性神經(jīng)元，還需要有代表分類標(biāo)簽的神經(jīng)元，一起進行訓(xùn)練： a) 假設(shè)頂層 RBM

11、 的顯層有 500 個顯性神經(jīng)元，訓(xùn)練數(shù)據(jù)的分類一共分成了 10 類； b) 那么頂層 RBM 的顯層有 510 個顯性神經(jīng)元，對每一訓(xùn)練訓(xùn)練數(shù)據(jù)，相應(yīng)的標(biāo)簽神經(jīng)元被打開設(shè)為 1，而其他的則被關(guān)閉設(shè)為 0。 6. DBN 被訓(xùn)練好后如下圖： (示意)  圖 3 訓(xùn)練好的深度信念網(wǎng)絡(luò)。圖中的綠色部分就是在最頂層 RBM 中參與訓(xùn)練的標(biāo)簽。注意調(diào)優(yōu) (FINE-TUNING) 過程是一個判別模型  另：調(diào)優(yōu)過程 (Fine-Tuning) ： 生成模型使用 Contrastive Wake-Sleep 算法進行調(diào)優(yōu)，其算法過程是： 1. 除了頂層 RBM，其他層 RBM 的權(quán)重被分成向上的認(rèn)知權(quán)重和向下的生成權(quán)重； 2. Wake 階段：認(rèn)知過程，通過外界的特征和向上的權(quán)重 (認(rèn)知權(quán)重) 產(chǎn)生每一層的抽象表示 (結(jié)點狀態(tài)) ，并且使用梯度下降修改層間的下行權(quán)重 (生成權(quán)重) 。也就是“如果現(xiàn)實跟我想象的不一樣，改變我的權(quán)重使得我想象的東西就是這樣的”。 3.