[笔记]Reducing the Dimensionality of Data with Neural Networks

原文链接：Reducing the Dimensionality of Data with Neural Networks

主要思想

(下方大量公式，貌似只能在pc上看。移动端无法显示。)
利用多层神经网络构建encoder，通过优化重构后（reconstruction）的输入$x_{recon}$和原输入$x$之间的cross-entropy函数，实现自动encode的目的。

做法

Hinton把它的算法分成了3部分：Pretraining、Unrolling、Fine-tuning

其中Pretraining就是RBM模型，通过CD-1算法先获得参数W、b的初始值。Unrolling其实就是根据encode的输出，获得重构图像的过程，即decode。有了重构后的输入，再加上原始输入，就可以通过Fine-tuning做进一步的参数调整了。不过，我的实验证明，Pretraining对Fine-tuning确实有一定帮助，但是帮助不大

Pretraining

如果你理解CD（Contrastive Divergence)算法，那么这部分其实很好理解。Hinton使用的就是CD-1 .

首先，RBM的能量函数如下：
$$E(\mathbf v, \mathbf h) = - c^T\mathbf v - b^T\mathbf h - \mathbf{h}^T \bf \cdot W \cdot v$$

其中$h$是feature detector特征描述子，是模型自己学习获得的，被称为隐式hidden变量，其实它就是每层网络的输出，$v$是可见变量，即输入。上一层的$h$就是下一层的$v$。我们的目标就是最小化这个能量函数。
注意我们假设$v$和$h$都是随机变量，所以他们都是正的，因此使得$E$最小的方法，就是$v$和$h$要尽量同时为正，这样$E$就会向负值发展。

关于RBM和CD算法，可以参考这个

假设输入为[0, 1]之间的连续随机变量，那么根据RBM的性质，给定$v$，

$$h_j = \sigma(b_j + W_{j \cdot} \cdot v)$$

其中$\sigma$是logistic sigmoid函数。这是mean-fold的做法。如果使用Gibson采样的话，就从“以上面算出的值为均值的{0, 1}随机过程中”去采样$h_j$。我觉得，如果mini-batch很小的话，使用mean-fold就行了。如果mini-batch很大，那么$h_j$为1的出现频次还是等于上面的值。所以没太大区别。

类似，给定$h$，
$$v_{recon} = \sigma(c_i + W_{\cdot i}^T \cdot h)$$

Enegy based 函数都有一个类似的$\Delta w$更新算法，根据这个算法，可以推出CD-1的更新方法如下：

$$\Delta w = \epsilon(<\mathbf h \cdot \mathbf v>_{data} - <\mathbf h \cdot \mathbf v>_{recon})$$

$$\Delta c = \epsilon(<\mathbf v>_{data} - <\mathbf v>_{recon})$$

$$\Delta b = \epsilon(<\mathbf h>_{data} - <\mathbf h>_{recon})$$

其中$\epsilon$表示learning rate，<>表示{0, 1}随机变量为1的频次，或者说期望。data分式中，h是通过v获得的；recon中，v是通过隐式变量h重构的, h是通过重构后的v重新计算的，所以他们是不同的，这个过程就是CD-1。如果h、v的重构计算k次就是CD-k，如下：

$$v^0\rightarrow{p(h|v^0)}\rightarrow h^0\rightarrow{p(v|h^0)}\rightarrow v^1\rightarrow{p(h|v^1)}\rightarrow h^1$$

另外，在这个阶段我还尝试了一下denoising corruption。发现确实有效果。

Unrolling

非常简单，就是根据encode的结果，和一系列的$W^T$做矩阵乘法，最后得到$v_{recon}$的过程。

Fine-tuning

也很简单，就是stochastic gradient decent过程。只是网络层数多了，目标函数是
$$cost = -\sum_i{v^i \cdot log(v_{recon}^i) + (1-v^i) \cdot log(1 - v_{recon}^i)}$$

多亏有了theano，我们计算梯度的方法简化成了T.grad函数的调用，根本不用去考虑什么BP算法了，很强大！符号计算已经是所有机器学习框架的标配了。

源代码

代码写的有些乱，有兴趣的可以下载下来看看：github

实验结果

denoising corruption

在pretrain阶段，是对每个层进行单独训练的。在第一层，可以通过检查重构后的图片观察pretrain获得的W到底能有什么效果。

corruption能明显加快能量函数的减小:

其中红色曲线是使用了corruption的能量函数变化曲线。可以看到，corruption的加速效果非常明显。

corruption确实有明显的denoising效果

首先，这是原图：

这个是没有corruption的重构图片：

这是使用了corruption的重构图片：

可以看到，corruption使得重构后的图片有了明显的毛玻璃效果。更重要的是，它重构后的数字好像更加“规整”。比如第二行倒数第二个0. 所以corruption确实迫使模型学到了一些更稳定的特征。

和pca对比

相比于pca分解出来的特征，auto encoder获得的特征显然区分度更加好！
可以通过把784维特征降成2维，然后画出来看看这些特征到底是怎么分布的。结果一目了然

可以看到，RandomizedPCA降成2维后，好像只有0、1、2这3个数能较好的区分出来。而4层级联encoder网络（每层节点数分别为1000、500、250、2）得到的结果基本可以把所有数字的大部分都分解出来。不过，4、7、8、9重叠较多，5好像跟8也有较多重叠，这些从测试集合上也可以理解。

观察重构后的图片，也会非常清楚：

这是pca从2维重构回的“原始图片”

这是神经网络重构出的“原始图片”

简直是差了好几个level!

pretrain貌似对最终结果没有太大影响

尽管pretain能够获得一个比较好的初始W，但是即使不用它，只用Fine-tuning，其实也可以慢慢获得一个类似的结果。而且pretrain花费的时间也很长，所以还不如直接抛弃。deeplearning.net的stack encoder就是这样做的，同时也使用了corruption。

以下是使用/不使用 pretrain的validation error变化曲线：

可以看到，使用pretrain后，validation error变化比较稳定，而且开始阶段确实整体偏小。但是随着训练的持续，即使不使用pretrain，模型也能慢慢达到类似效果（只要不发散）。