深度学习关键技术总结_深度学习的关键技术

一 数据预处理


1.常用批量梯度下降法来求解神经网络代价函数，但是L-BFGS和共轭梯度算法通常比梯度下降法快很多。


求取代价函数的关键步骤是计算偏导数，反向传播算法是计算偏导数的一种有效方法，但是反向传播算法很难调试得到正确结果。可以采用对求导结果进行数值检验的方法。自动调整学习速率 ，以得到合适的步长值，最终使 能够快速收敛到一个局部最优解（比如可以寻找一个Hessian矩阵的近似，得到最佳步长值，使用该步长值能够更快地收敛到局部最优（和牛顿法类似））。


2主成分分析（PCA）


在实践中我们发现，大多数特征学习算法对训练图片的确切类型并不敏感，所以大多数用普通照相机拍摄的图片，只要不是特别的模糊或带有非常奇怪的人工痕迹，都可以使用。


图像自然特征（平稳性）：在自然图像上进行训练时，对每一个像素单独估计均值和方差意义不大，因为（理论上）图像任一部分的统计性质都应该和其它部分相同，图像的这种特性被称作平稳性（stationarity）。


具体而言，为使PCA算法正常工作，我们通常需要满足以下要求：(1)特征的均值大致为0；(2)不同特征的方差值彼此相似。对于自然图片，即使不进行方差归一化操作，条件(2)也自然满足，故而我们不再进行任何方差归一化操作（对音频数据,如声谱,或文本数据,如词袋向量，我们通常也不进行方差归一化）。实际上，PCA算法对输入数据具有缩放不变性，无论输入数据的值被如何放大（或缩小），返回的特征向量都不改变。


3白化


白化的目的就是降低输入的冗余性；即通过白化过程使得学习算法的输入具有如下性质：(i)特征之间相关性较低；(ii)所有特征具有相同的方差。


a.       PCA白化，不同的特征之间不相关并且具有单位方差。


b.      ZCA白化，尽可能的接近原始数据，通常保留数据的n个维度，不尝试降低维度


白化与降维相结合。 如果你想要得到经过白化后的数据，并且比初始输入维数更低,可以仅保留 白化后数据 中前 k个主要成分。


二 训练和分类


softmax回归解决的是多分类问题（logistic回归解决的二分类问题）


尽管一个单一的未标注样本蕴含的信息比一个已标注的样本要少，可以通过获取大量无标注数据（比如从互联网上下载随机的、无标注的图像、音频剪辑或者是文本），能避免大规模的手工构建特征和标数据的复杂性。


自学习和无监督特征学习能够从未标注数据中学习。可以给算法以大量的未标注数据，学习出较好的特征描述。在尝试解决一个具体的分类问题时，可以基于这些学习出的特征描述和任意的（可能比较少的）已标注数据，使用有监督学习方法完成分类。


未标注数据（无监督）得到已标注特征辅助分类（有监督）


4稀疏编码及拓扑稀疏编码


稀疏编码


绝大多数的感官数据，比如自然图像，可以被表示成少量基本元素的叠加，在图像中这些基本元素可以是面或者线。同时，与初级视觉皮层的类比过程也因此得到了提升。从概率的角度出发，将稀疏编码算法当作一种“生成模型”


稀疏编码算法是一种无监督学习方法，它用来寻找一组“超完备”基向量来更高效地表示样本数据。稀疏编码算法的目的就是找到一组基向量  ，使得我们能将输入向量  表示为这些基向量的线性组合。


稀疏性：对于一组输入向量，我们只想有尽可能少的几个系数远大于零


超完备基：能更有效地找出隐含在输入数据内部的结构与模式。


局限性：即使已经学习得到一组基向量，如果为了对新的数据样本进行“编码”，我们必须再次执行优化过程来得到所需的系数。这个显著的“实时”消耗意味着，即使是在测试中,实现稀疏编码也需要高昂的计算成本，尤其是与典型的前馈结构算法相比。


拓扑稀疏编码


大脑皮层 V1 区神经元能够按特定的方向对边缘进行检测，同时，这些神经元（在生理上）被组织成超柱（hypercolumns），在超柱中，相邻神经元以相似的方向对边缘进行检测，一个神经元检测水平边缘，其相邻神经元检测到的边缘就稍微偏离水平方向，沿着超柱，神经元就可以检测到与水平方向相差更大的边缘了。


学习到的特征具有拓扑秩序”性质：如果“相邻”的特征是“相似”的，就意味着如果某个特征被激活，那么与之相邻的特征也将随之被激活


拓扑稀疏编码得到的特征与稀疏编码得到的类似，只是拓扑稀疏编码得到的特征是以某种方式有“秩序”排列的。


注意：用稀疏编码学习得到的基向量之间不一定线性独立。尽管在某些情况下这已经满足需要，但有时我们仍然希望得到的是一组线性独立基。独立成分分析算法（ICA）可以实现了一组线性独立基（满足特征稀疏和基是标准正交两个条件）


5自编码器


自编码神经网络通常可以学习出一个跟主元分析（PCA）结果非常相似的输入数据的低维表示。


用自编码器来学习输入至 softmax 或logistic 回归分类器的未标注数据学习获得


的特征。


大量已标注训练数据的情况下使用微调能显著提升分类器性能（回归层，有监督）。自动编码器训练第一层，利用logistic/softmax 回归训练第二层）之后，我们可以进一步修正模型参数，进而降低训练误差。具体来说，我们可以对参数进行微调，在现有参数的基础上采用梯度下降或者L-BFGS 来降低已标注样本集  上的训练误差。（此为含一个隐藏层的三层网络）


6深度网络


大脑皮层同样是分多层进行计算的。例如视觉图像在人脑中是分多个阶段进行处理的，首先是进入大脑皮层的“V1”区，然后紧跟着进入大脑皮层“V2”区，以此类推。


当处理对象是图像时，我们能够使用深度网络学习到“部分-整体”的分解关系。例如，第一层可以学习如何将图像中的像素组合在一起来检测边缘（正如我们在前面的练习中做的那样）。第二层可以将边缘组合起来检测更长的轮廓或者简单的“目标的部件”。在更深的层次上，可以将这些轮廓进一步组合起来以检测更为复杂的特征。


如何训练：逐层贪婪训练方法，每次只训练网络中的一层，逐层递增，各层单独训练所得到的权重被用来初始化最终（或者说全部）的深度网络的权重，然后对整个网络进行“微调” （Fine tuning）（即把所有层放在一起来优化有标签训练集上的训练误差）。


自编码器“栈化”到逐层贪婪训练法


栈式自编码（Stacked autoencoder）神经网络是一个由多层稀疏自编码器组成的神经网络，其前一层自编码器的输出作为其后一层自编码器的输入。


优点：栈式自编码神经网络的第一层会学习得到原始输入的一阶特征（比如图片里的边缘），第二层会学习得到二阶特征，该特征对应一阶特征里包含的一些模式（比如在构成轮廓或者角点时，什么样的边缘会共现）。栈式自编码神经网络的更高层还会学到更高阶的特征。如果网络的输入数据是图像，网络的第一层会学习如何去识别边，第二层一般会学习如何去组合边，从而构成轮廓、角等。更高层会学习如何去组合更形象且有意义的特征。例如，如果输入数据集包含人脸图像，更高层会学习如何识别或组合眼睛、鼻子、嘴等人脸器官。


如何微调：反向传播算法（任意多层都适用）


7卷积网络


生物学视觉系统结构中，视觉皮层的神经元就是局部接受信息的（即这些神经元只响应某些特定区域的刺激）。启发了局部联通思想。


在稀疏自编码中输入层和隐含层进行“全连接”，对于大图像全联通网络的这种方法来学习整幅图像上的特征，从计算角度而言，将变得非常耗时。


对隐含单元和输入单元间的连接加以限制：每个隐含单元仅仅只能连接输入单元的一部分。例如，每个隐含单元仅仅连接输入图像的一小片相邻区域。（对于不同于图像输入的输入形式，也会有一些特别的连接到单隐含层的输入信号“连接区域”选择方式。如音频作为一种信号输入方式，一个隐含单元所需要连接的输入单元的子集，可能仅仅是一段音频输入所对应的某个时间段上的信号。）


自然图像固有特征（ “静态性”的属性）：图像的一部分的统计特性与其他部分是一样的。这也意味着我们在这一部分学习的特征也能用在另一部分上，所以对于这个图像上的所有位置，我们都能使用同样的学习特征。


例如：从一个大尺寸图像中随机选取一小块，比如说8x8 作为样本，并且从这个小块样本中学习到了一些特征，这时我们可以把从这个8x8 样本中学习到的特征作为探测器，应用到这个图像的任意地方中去。特别是，我们可以用从8x8 样本中所学习到的特征跟原本的大尺寸图像作卷积，从而对这个大尺寸图像上的任一位置获得一个不同特征的激活值。


8池化


卷积获得了特征(features) 训练softmax分类器实现分类，因为卷积特征量大，容易出现过拟合 (over-fitting)


池化：为了描述大的图像，可以对不同位置的特征进行聚合统计，例如，人们可以计算图像一个区域上的某个特定特征的平均值 (或最大值)。这些概要统计特征不仅具有低得多的维度 (相比使用所有提取得到的特征)，同时还会改善结果(不容易过拟合)。这种聚合的操作就叫做池化 (pooling)，有时也称为平均池化或者最大池化 (取决于计算池化的方法)。


特点：（池化不变性）如果选择图像中的连续范围作为池化区域，并且只是池化相同(重复)的隐藏单元产生的特征，那么，这些池化单元就具有平移不变性(translation invariant)。