在今年的 ICML 上，深度學(xué)習(xí)理論成為最大的主題之一。會(huì)議第一天，Sanjeev Arora 就展開(kāi)了關(guān)于深度學(xué)習(xí)理論理解的教程，并從四個(gè)方面分析了關(guān)于該領(lǐng)域的研究：非凸優(yōu)化、超參數(shù)和泛化、深度的意義以及生成模型。

 

 

2017 年 12 月 NIPS 的 Test-of-Time Award 頒獎(jiǎng)典禮上，Ali Rahimi 這樣呼吁人們加深對(duì)深度學(xué)習(xí)的理解：

我希望生活在這樣的一個(gè)世界，它的系統(tǒng)是建立在嚴(yán)謹(jǐn)可靠而且可證實(shí)的知識(shí)之上，而非煉金術(shù)。[……] 簡(jiǎn)單的實(shí)驗(yàn)和定理是幫助理解復(fù)雜大現(xiàn)象的基石。

Ali 的目標(biāo)不是解散各個(gè)領(lǐng)域，而是「展開(kāi)對(duì)話(huà)」。這個(gè)目標(biāo)已經(jīng)實(shí)現(xiàn)了，但對(duì)于目前的深度學(xué)習(xí)應(yīng)被視為煉金術(shù)還是工程或科學(xué)，人們?nèi)源嬖诜制纭?/p>

7 個(gè)月后，在斯德哥爾摩舉行的國(guó)際機(jī)器學(xué)習(xí)會(huì)議 (ICML) 上，機(jī)器學(xué)習(xí)社區(qū)又聚焦了這個(gè)問(wèn)題。此次大會(huì)與會(huì)者有 5000 多名，并累計(jì)發(fā)表論文 629 篇，這是基礎(chǔ)機(jī)器學(xué)習(xí)研究的「年度大戲」。而深度學(xué)習(xí)理論已成為此次會(huì)議的最大主題之一。

 

 

會(huì)議第一天，最大的房間里就擠滿(mǎn)了機(jī)器學(xué)習(xí)相關(guān)人員，他們準(zhǔn)備聆聽(tīng) Sanjeev Arora 關(guān)于深度學(xué)習(xí)理論理解的教程。這位普林斯頓大學(xué)計(jì)算機(jī)科學(xué)教授在演講中總結(jié)了目前的深度學(xué)習(xí)理論研究領(lǐng)域，并將其分成四類(lèi)：

• 非凸優(yōu)化：如何理解與深度神經(jīng)網(wǎng)絡(luò)相關(guān)的高度非凸損失函數(shù)?為什么隨機(jī)梯度下降法會(huì)收斂?

• 超參數(shù)和泛化：在經(jīng)典統(tǒng)計(jì)理論中，為什么泛化依賴(lài)于參數(shù)的數(shù)量而非深度學(xué)習(xí)?存在其它較好的泛化方法嗎?

• 深度的意義：深度如何幫助神經(jīng)網(wǎng)絡(luò)收斂?深度和泛化之間的聯(lián)系是什么?

• 生成模型：為什么生成對(duì)抗網(wǎng)絡(luò)(GAN)效果非常好?有什么理論特性能使模型穩(wěn)定或者避免模式崩潰?

在這一系列的文章中，我們將根據(jù)最新的論文(尤其是 ICML2018 的論文)，幫助大家直觀(guān)理解這四個(gè)方面。

第一篇文章將重點(diǎn)討論深度網(wǎng)絡(luò)的非凸優(yōu)化問(wèn)題。

非凸優(yōu)化

 

 

我敢打賭，你們很多人都曾嘗試過(guò)訓(xùn)練自己的「深度網(wǎng)絡(luò)」，結(jié)果卻因?yàn)闊o(wú)法讓它發(fā)揮作用而陷入自我懷疑。這不是你的錯(cuò)。我認(rèn)為都是梯度下降的錯(cuò)。

Ali Rahimi 在 NIPS 演講中曾說(shuō)，隨機(jī)梯度下降 (SGD) 的確是深度學(xué)習(xí)的基石，它應(yīng)該解決高度非凸優(yōu)化問(wèn)題。理解它何時(shí)起作用，以及為什么起作用，是我們?cè)谏疃葘W(xué)習(xí)的基本理論中一定會(huì)提出的最基本問(wèn)題之一。具體來(lái)說(shuō)，對(duì)于深度神經(jīng)網(wǎng)絡(luò)的非凸優(yōu)化研究可以分為兩個(gè)問(wèn)題：

• 損失函數(shù)是什么樣的?

• SGD 為什么收斂?

• 損失函數(shù)是什么樣的?

如果讓你想象一個(gè)全局最小值，很可能你腦海中出現(xiàn)的第一幅圖是這樣的：

 

 

二維世界中的全局最小值附近，函數(shù)是嚴(yán)格凸的(這意味著 hessian 矩陣的兩個(gè)特征值都是正數(shù))。但在一個(gè)有著數(shù)十億參數(shù)的世界里，就像在深度學(xué)習(xí)中，全局最小值附近的方向都不平坦的可能性有多大?或者 hessian 中一個(gè)為零(或近似為零)的特征值都沒(méi)有的概率有多大?

Sanjeev Arora 在教程中寫(xiě)的第一個(gè)評(píng)論是：損失函數(shù)的可能方向數(shù)量會(huì)隨著維度的增長(zhǎng)呈指數(shù)增長(zhǎng)。

 

 

直觀(guān)上看，全局最小值似乎不是一個(gè)點(diǎn)而是一個(gè)連接管(connected manifold)。這意味著如果找到了全局最小值，你就能夠穿過(guò)一條平坦的路徑，在這條道路上，所有的點(diǎn)都是最小值。海德堡大學(xué)的一個(gè)研究團(tuán)隊(duì)在論文《Essentially No Barriers in Neural Network Energy Landscape》中證明了這一點(diǎn)。他們提出了一個(gè)更常規(guī)的說(shuō)法，即任何兩個(gè)全局最小值都可以通過(guò)一條平坦的路徑連接。

 

 

在 MNIST 上的 CNN 或在 PTB 上的 RNN 已經(jīng)是這樣的情況，但是該項(xiàng)研究將這種認(rèn)知擴(kuò)展到了在更高級(jí)的數(shù)據(jù)集(CIFAR10 和 CIFAR100)上訓(xùn)練的更大網(wǎng)絡(luò)(一些 DenseNet 和 ResNet)上。為了找到這條路徑，他們使用了一種來(lái)自分子統(tǒng)計(jì)力學(xué)的啟發(fā)式方法，叫做 AutoNEB。其思想是在兩個(gè)極小值之間創(chuàng)建一個(gè)初始路徑(例如線(xiàn)性)，并在該路徑上設(shè)置中心點(diǎn)。然后迭代地調(diào)整中心點(diǎn)的位置，以最小化每個(gè)中心點(diǎn)的損失，并確保中心點(diǎn)之間的距離保持不變(通過(guò)用彈簧建模中心點(diǎn)之間的空間)。

雖然他們沒(méi)有從理論上證明這個(gè)結(jié)果，但他們對(duì)為什么存在這樣的路徑給出了一些直觀(guān)的解釋?zhuān)?/p>

如果我們擾亂單個(gè)參數(shù)，比如添加一個(gè)小常數(shù)，然后讓其它部分去自適應(yīng)這種變化，仍然可以使損失最小化。因此可以認(rèn)為，通過(guò)微調(diào)，無(wú)數(shù)其它參數(shù)可以「彌補(bǔ)」強(qiáng)加在一個(gè)參數(shù)上的改變。

因此，本文的結(jié)果可以幫助我們通過(guò)超參數(shù)化和高維空間，以不同的方式看待極小值。

通俗來(lái)說(shuō)，當(dāng)考慮神經(jīng)網(wǎng)絡(luò)的損失函數(shù)時(shí)，你應(yīng)該牢記一個(gè)給定的點(diǎn)周?chē)�可能有非常多的方向。由此得出另一個(gè)結(jié)論，鞍點(diǎn)肯定比局部最小值多得多：在給定的關(guān)鍵點(diǎn)上，在數(shù)十億個(gè)可能的方向中，很可能會(huì)找到一個(gè)向下的方向(如果不是在全局最小值上)。這種認(rèn)知在 NIPS 2014 年發(fā)表的論文《Identifying and attacking the saddle point problem in high-dimensional non-convex optimization》中被嚴(yán)格規(guī)范化，并得到了實(shí)證證明。

為什么 SGD 收斂(或不收斂)?

深度神經(jīng)網(wǎng)絡(luò)優(yōu)化的第二個(gè)重要問(wèn)題與 SGD 的收斂性有關(guān)。雖然這種算法長(zhǎng)期以來(lái)被看做是一種快速的近似版梯度下降，但我們現(xiàn)在可以證明 SGD 實(shí)際上收斂于更好、更一般的最小值。但我們能否將其規(guī)范化并定量地解釋 SGD 脫離局部極小值或鞍點(diǎn)的能力?

SGD 修改了損失函數(shù)

論文《An Alternative View: When Does SGD Escape Local Minima?》表明，實(shí)施 SGD 相當(dāng)于在卷積(所以平滑)的損失函數(shù)上進(jìn)行常規(guī)梯度下降。根據(jù)這一觀(guān)點(diǎn)并在某些假設(shè)下，他們證明了 SGD 將設(shè)法脫離局部最小值，并收斂到全局最小值附近的一個(gè)小區(qū)域。

SGD 由隨機(jī)微分方程控制

連續(xù) SGD 徹底改變了我對(duì)這個(gè)算法的看法。在 ICML 2018 關(guān)于非凸優(yōu)化的研討會(huì)上，Yoshua Bengio 在他關(guān)于隨機(jī)梯度下降、平滑和泛化的演講中提出了這個(gè)想法。SGD 不是在損失函數(shù)上移動(dòng)一個(gè)點(diǎn)，而是一片點(diǎn)云或者說(shuō)一個(gè)分布。

 

 

幻燈片摘自 Y. Bengio 在 ICML 2018 發(fā)表的演講。他提出用分布(或點(diǎn)云)代替點(diǎn)來(lái)看待 SGD。

這個(gè)點(diǎn)云的大小(即相關(guān)分布的方差)與 learning_rate / batch_size 因子成正比。Pratik Chaudhari 和 Stefano Soatto 在論文《Stochastic gradient descent performs variational inference, converges to limit cycles for deep networks》中證明了這一點(diǎn)。這個(gè)公式非常直觀(guān)：較低的 batch size 意味著梯度非�；靵y(因?yàn)橐�在�?shù)據(jù)集一個(gè)非常小的子集上計(jì)算)，高學(xué)習(xí)率意味著步驟混亂。

將 SGD 視為隨時(shí)間變化的分布可以得出：控制下降的方程現(xiàn)在是隨機(jī)偏微分方程。更準(zhǔn)確地說(shuō)，在某些假設(shè)下，論文表明控制方程實(shí)際上是一個(gè) Fokker-Planck 方程。

 

 

幻燈片摘自 P. Chaudhari 和 S. Soatto 在 ICML 2018 發(fā)表的演講——《High-dimensional Geometry and Dynamics of Stochastic Gradient Descent for Deep Networks》。他們展示了如何從離散系統(tǒng)過(guò)渡到 Fokker-Plank 方程所描述的連續(xù)系統(tǒng)。

在統(tǒng)計(jì)物理學(xué)中，這種類(lèi)型的方程描述了暴露在曳力 (使分布推移，即改變平均值) 和隨機(jī)力 (使分布擴(kuò)散，即增加方差) 下的粒子的演化。在 SGD 中，曳力由真實(shí)梯度建模，而隨機(jī)力則對(duì)應(yīng)算法的內(nèi)在噪聲。正如上面的幻燈片所示，擴(kuò)散項(xiàng)與溫度項(xiàng) T = 1 /β= learning_rate /(2 * batch_size) 成正比，這再次顯示了該比值的重要性!

 

 

 

Fokker-Planck 方程下分布的演化。它向左漂移，隨時(shí)間擴(kuò)散。圖源：維基百科

通過(guò)這個(gè)框架，Chaudhari 和 Soatto 證明了我們的分布將單調(diào)地收斂于某個(gè)穩(wěn)定的分布(從 KL 散度的意義來(lái)說(shuō))：

 

 

Pratik Chaudhari 和 Stefano Soatto 論文的一個(gè)主要定理，證明了分布的單調(diào)會(huì)收斂到穩(wěn)定狀態(tài)(在 KL 散度意義中)。第二個(gè)方程表明，使 F 最小化相當(dāng)于最小化某個(gè)潛在的?以及擴(kuò)大熵的分布(溫度 1 /β控制的權(quán)衡)。

在上面的定理中有幾個(gè)有趣的觀(guān)點(diǎn)：

SGD 最小化的函數(shù)可以寫(xiě)成兩項(xiàng)之和(Eq. 11)：潛在Φ和熵的分布。溫度 1 /β控制這兩項(xiàng)的權(quán)衡。

潛在Φ只取決于數(shù)據(jù)和網(wǎng)絡(luò)的架構(gòu)(而非優(yōu)化過(guò)程)。如果它等于損失函數(shù)，SGD 將收斂到全局最小值。然而, 本文表明這種情況比較少見(jiàn)。而如果知道Φ與損失函數(shù)的距離，你將可以知道 SGD 收斂的概率。

最終分布的熵取決于 learning_rate/batch_size(溫度)的比例。直觀(guān)上看，熵與分布的大小有關(guān)，而高溫會(huì)導(dǎo)致分布具有更大的方差，這意味著一個(gè)平坦的極小值。平坦極小值的泛化能力更好，這與高學(xué)習(xí)率和低 batch size 能得到更優(yōu)最小值的經(jīng)驗(yàn)是一致的。

因此，將 SGD 看作是一個(gè)隨時(shí)間變化的分布表明，在收斂性和泛化方面，learning_rate/batch_size 比每個(gè)獨(dú)立的超參數(shù)更有意義。此外，它還引入了與收斂相關(guān)的網(wǎng)絡(luò)潛力，為架構(gòu)搜索提供了一個(gè)很好的度量。

結(jié)論

探索深度學(xué)習(xí)理論的過(guò)程可以分為兩部分：首先，通過(guò)簡(jiǎn)單的模型和實(shí)驗(yàn)，建立起關(guān)于深度學(xué)習(xí)理論如何及其為什么起作用的認(rèn)知，然后將這些理念以數(shù)學(xué)形式呈現(xiàn)，以幫助我們解釋當(dāng)前的結(jié)論并得到新的結(jié)果。

在第一篇文章中，我們?cè)噲D傳達(dá)更多關(guān)于神經(jīng)網(wǎng)絡(luò)高維損失函數(shù)和 SGD 解說(shuō)的直觀(guān)認(rèn)知，同時(shí)表明新的形式主義正在建立，目的是建立一個(gè)關(guān)于深層神經(jīng)網(wǎng)絡(luò)優(yōu)化的真正數(shù)學(xué)理論。

然而，雖然非凸優(yōu)化是深度學(xué)習(xí)的基石并且擁有大量的層數(shù)和參數(shù)，但它取得的成功大部分源于其優(yōu)秀的泛化能力。這將是下一篇文章將分享的內(nèi)容。

 

 

Sanjeev Arora：印度裔美國(guó)理論計(jì)算機(jī)科學(xué)家，他以研究概率可檢驗(yàn)證明，尤其是PCP定理而聞名。研究興趣包括計(jì)算復(fù)雜度理論、計(jì)算隨機(jī)性、概率可檢驗(yàn)證明等。他于2018年2月被推選為美國(guó)國(guó)家科學(xué)院院士，目前是普林斯頓大學(xué)計(jì)算機(jī)科學(xué)系教授。

原文鏈接：https://towardsdatascience.com/recent-advances-for-a-better-understanding-of-deep-learning-part-i-5ce34d1cc914

標(biāo)簽： 搜索 網(wǎng)絡(luò)

版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀(guān)點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。