在上一篇中我们读到了首个多层的神经网络结构——前馈神经网络。其中主要关注如何将本身非线性二元的问题转化为可以数学建模，例如典型的如何解决“异或XOR”问题，以及介绍了一种基本的将类型分值(score)转化为分类输出(classification)的案例。

这次会读到更接近“机器学习”这个概念上的一些数学模型，借助这些模型人们能首次尝试用AI解决一些有现实价值的、具备一定复杂度的问题。

本文还是以翻译PPT页内容为主，打星号的部分则是我的补充说明。由于bias似乎在机器学习领域中被普遍翻译成“偏置”，因此后续的部分都会采用这一翻译。

*对于回归问题，一般需要一个数学工具来衡量误差程度。

例如，使均方误差尽量小（也被称为L2损失或平方损失）。

可能的结果值的范围是：最小为0（所有预测都正确）、最大为正无穷（没有正确结果且偏差很大）。

*图中的均方误差MSE公式，之前读图像质量评估的那一篇也介绍过。对于图像来说，后续还引入了更多比MSE更科学的目标函数。

*对于分类问题，一般需要将某些值输入转换为概率分布或更复杂的对应模型，最终得出可能的类型。

例如：使用交叉熵损失函数来尽量缩小类型预测与真值的概率分布差距。

*它与上一篇中介绍的softmax的关系是，交叉熵损失会结合softmax，用来计算预测分布与真实分布之间的差异 。

*真值在计算中被表达为：真类型为1，其它类型为0——被称为Hot vector。

*这里补充一篇中文互联网的公式解析：

*关于熵和信息量描述公式等概念，文末会附一篇知乎介绍。

*LCE就是交叉熵损失函数，输入和比较的是预测类型的概率分布和真值的概率分布。

*K是类型数，对于真值y来说，如果其分布是正确类型为1，其它为0。

*对于单个样本k，当其为真类型时，转化为对其预测概率的log计算（如图）。

得到的值的范围是？

最小值0——例如正确的预测，则是-log(1)；最大值无穷——例如（完全）错误的预测，则是-log(0)。

*计算器之类的显示中对数log是以10为底，而exp是以特殊实数e为底的对数。

*从中可以观察出，使用对数函数后，更明显的错误会得到更大的误差值（红色），而更接近正确则得到趋近于0的值（蓝色）。

*这里也是回顾了如何对预测结果进行误差评估的问题——通过目标函数。

在机器学习领域存在非常多的目标函数类型，这里（课件）中仅介绍最常用的一个。

1847年人们设计并提出了梯度下降的方案。

它是能以可扩展的方式训练非线性模型学习”大数据“的一种方案。

重复：猜测、计算误差。

例如：学习线性模型以将英里转化为公里，此时只用观察输入的“英里”和输出的“公里”值的对应关系——最终能提炼成和常量相乘的形式。

第二个例子，计算美元和以色列谢克尔币的币值对应关系。（*这个例子没想到这么的“美式”）

误差 = 猜测值 - 真值

理念：迭代地调整常量系数（例如，模型参数）以尝试降低误差。

迭代地查找值以解决优化问题（例如，一个目标函数的最小或最大值）。

类比（图中蓝字）：从山的高处徒步到山的底部——以一种盲视的方式。

当计算最小化目标函数时，它也往往被以可替代的方式称为：代价函数、损失函数或误差函数。

理念：使用导数！

梯度下降：以迭代的方式进行步长推进，在梯度相反的方向前进，并尝试找出最小值。

*这里摘录了一段百科中关于二元梯度的例子，能帮助理解梯度这一概念。三维空间中的梯度原理是相同的，只是维度更多。

步长值=学习比率。

在下一篇中会介绍如何使用梯度进行更高效的学习。

在所有训练样本上计算（批量梯度下降）——能减少弹跳次数，但在数据集很大时可能很慢或不可执行。

在一个训练样本上计算（随机梯度下降）——计算速度更快，能训练更大的数据集（每次迭代在内存中存储一个实例），但更新过程可预期地会弹跳很多次。

在一个训练样本子集上计算（小批次梯度下降）——相比SGD（随机梯度下降）能降低弹跳时的不稳定性，并且也能训练大数据集（每次迭代在内存中存储一批实例），但当数据集过大时仍会很慢或不可执行。

通常小批次梯度下降会用于匹配和内存相符的最大样本数量。

*这段主要在分析对于离散大规模样本如何训练，以进行梯度下降的问题。由于实际执行不可能是在所有样本上进行训练，故此产生了这部分考虑；最终目标都是梯度尽快下降到目标值，以确认样本的最小值。

学习：相连单位的权重，每个单位的偏置。

例如，（图中）一个两层的神经网络。

重复直到达到停止的标准：

*这里面dissatisfaction直译是“不满”，blame直译是“指责”，都是更人格化的词语——可能是为了表达神经网络模型自行动态修正参数的过程。

使用什么样的停止标准？

1986年，反向传播理论被提出了。

反向传播理念——（偏导函数）链式法则：x = f(w), y = f(x), z = f(y)

*对于图中的z/w梯度，最终展开成如图的导数乘积的形式。

*图中选择了S型激活函数，上一篇中有介绍过。

损失函数使用——平方误差函数（回归或二元分类问题）。

t是训练数据，此时是一个常数值，其它项在下一页介绍。

将E对wjk的梯度展开为如图的形式（绿框乘紫框）。其中右侧绿框和紫框中为各自的偏导函数展开化简结果。

（下方紫框）代入S函数后最终的乘积式。

*其中的累加项原理和上一篇的前馈神经网络相同。到这一步还是比较抽象的，后面会以实际例子解析。后续具体计算似乎忽略了最开头的负号，我的理解是计算误差可以不考虑负值。

核心观察：（计算梯度是）可能的，因为激活函数和损失函数是可微分的。（*可微分意味着连续变化）

*参照图中，对最后一个节点k进行梯度计算前后，需要基于Ok和Wjk的前值来计算误差函数e，并反馈影响权重项Wjk。

*对于其它隐藏层的参数计算，也可以通过函数对称性来解决。

*这里x1-x3是三个输入项，4-6是节点计算下标而不是值。而三个圆框中的1则是常数项（用来表示bias）。

分别输入1、0、1三个值，训练结果为t1=1。（*后面逐项解析，其中会用到S型函数作为激发函数）

回顾一下神经网络训练的几个步骤，第一步还是以前馈式的方式来计算。

*i4的加权计算如图（括号中是三个输入项加权，括号外是计算常数项），最终得出o4。

*同理可以计算i5和o5。

*最终计算出i6和o6。此时o6输入值为0.474，而训练数据t1=1。

*此时进入第二步，通过预测的结果以反向传播的方式影响模型参数。

*此时已知o6和t1，可以计算误差值e6。

*对应偏导数，其中sigmoid( ∑ Wjk*Oj) 对应的就是前面计算出的O6。代入计算得到e6。

*e5 = (e6 * W5,6) * O5 * (1 - O5) 。代入计算得到e5。

*同理可以得到e4。

*到此为止4-6节点的误差（梯度）值都计算出来。

*下一步就是基于计算出的梯度来更新参数。

*现在要更新神经网络中各处的权重和偏置。

*设学习速率η为0.9，则W4,6的更新和η、o4、e6相关。基于这些已知的值可以更新W4,6权重值。

*同理可以更新W5,6权重值。

*偏置值的更新只和当前节点的误差有关。b6更新如图。

*同理即可完成整个神经网络权重的更新，后续就不补充重复的说明了，看图即可。

*最终一次训练并更新参数之后的结果如图。（*这里W5,6已经不用标红了，应该是课件错漏了）

*之后就可以用新的数据实例来重复这一过程。

这个简单的示例中使用了哪种类型的梯度下降方式？

这里使用平均梯度用于批量梯度和最小批次梯度的计算。

基础数据初始化方案：

基础模型参数初始化：

希望激发函数是：

*简单描述就是，阈值函数的方式因为没有梯度，变化率是0——因此是不可微分的，也无法进行梯度下降过程（及相关的训练）。

过小的梯度会限制模型参数梯度下降的量级（学习速度）。

基于ELU的连续大梯度的激发函数能有效支持学习过程。（*ELU是人为设计的一个经典分段函数，是Exponential Linear Unit的缩写）

虽然其中涉及到具体数学计算的部分个人理解起来也很吃力，需要回顾很多知识，但这套方式凝结的思想我觉得可以用简单通俗的语言概括如下：

到目前为止，读到的AI训练还是一个“做题家”的模式，即以一套神经网络模型来输入、预判、比对结果、回调权重，最终实现误差符合要求的训练好的模型。

这其中反向传播的过程之所以成立，是基于“激发函数是可微分”的这一点来设计的。在这个前提下，就可以通过梯度下降方法来不断调整参数，尽量逼近变化率最小值（接近真值）。

关于梯度下降的训练效率，课件中只稍微提到了一下，但实际上激发函数的选择（以及后续神经网络的更多特殊节点设计）是后人不断提升训练效率和预测准确度的重要方面。后续的课件也会继续深入这部分内容。

最后是资料链接：