《深度學(xué)習(xí)深度信念網(wǎng)絡(luò)DeepBeliefNetwork》由會(huì)員分享，可在線閱讀，更多相關(guān)《深度學(xué)習(xí)深度信念網(wǎng)絡(luò)DeepBeliefNetwork（11頁珍藏版）》請(qǐng)?jiān)谘b配圖網(wǎng)上搜索。

1、 i 深度學(xué)習(xí)--深度信念網(wǎng)絡(luò)(DeepBeliefNetwork) 概述 深度信念網(wǎng)絡(luò)(DeepBeliefNetwork,DBN)由GeoffreyHinton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(gè)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(shí)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(shí)別手寫數(shù)字： nsnsna 圖1用深度信念網(wǎng)絡(luò)識(shí)別手寫數(shù)字。圖中右下角是待 的上方有三層隱性神經(jīng)元。每一個(gè)黑色矩形代表一層神經(jīng)元狀態(tài)的神經(jīng)元，黑色代表處于關(guān)閉狀態(tài)的神經(jīng)'一 的黑白位圖，它 點(diǎn)代

2、表處于開啟 下方即使 別結(jié)果，與畫 妥數(shù)字。 面左 角I的對(duì) 。注意頂 F面是展示了一個(gè)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: # In1974NorthernDenverhadbeenovershadowedbyCNL,andseveralIrishintelligenceagenciesintheMediterraneanregion.However,ontheVictoria,KingsHebrewstatedthatCharlesdecidedtoescapeduringan alliance.Themansionhousewascom

3、pletedin1882,thesecondinitsbridgeareomitted,whileclosingistheprotonreticulumcomposedbelowitaims,suchthatitistheblurringofappearingonanywell-paidtypeofboxprinter. DBN由多層神經(jīng)元構(gòu)成，這些神經(jīng)元又分為顯性神經(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(gè)別名，叫特征檢測(cè)器(featuredetectors)。最頂上的兩層間的連接是無向的，組成聯(lián)合內(nèi)存(associativememory)o

4、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(datavectors)，每一個(gè)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(jī)(RestrictedBoltzmann Machines,RBM)o訓(xùn)練DBN的過程是一層一層地進(jìn)行的。在每一層中，用數(shù)據(jù)向量來推斷隱層，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(jī) 如前所述，RBM是DBN的組成元件。事實(shí)上，每一個(gè)RBM都可以單獨(dú)用作聚類器。 RBM只有兩層神經(jīng)元，一層叫做顯層(visiblelayer),由顯兀(visibleunits)組成，用于輸入訓(xùn)練數(shù)據(jù)。另一層叫做隱層(Hiddenlayer

5、),相應(yīng)地, 由隱兀(hiddenunits)組成，用作特征檢測(cè)器(featuredetectors)。 hiddenunits visibleunits 圖2受限玻爾茲曼機(jī)的結(jié)構(gòu)。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(gè)向量來表示，每一維表示每個(gè)神經(jīng)元。注意這兩層間的對(duì)稱(雙向)連接。 神經(jīng)元之間的條件獨(dú)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(duì)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(gè)隱元取什么值是互不相關(guān)的。也就是說， 日＞|町=匸［：=嚴(yán)(眄|V) 同樣，在給定隱層時(shí)，所有顯元的取值

6、也互不相關(guān)： PhIh)=n"戸①丨h(huán)) 有了這個(gè)重要性質(zhì)，我們?cè)谟?jì)算每個(gè)神經(jīng)元的取值情況時(shí)就不必每次計(jì)算一個(gè),而是同時(shí)并行地計(jì)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(gè)訓(xùn)練好的RBM，每個(gè)隱元與顯元間的權(quán)重用矩陣W表示，且： 甲二 代表顯元的個(gè)數(shù)，N代表 其中Wj代表從第i個(gè)顯元到 X—(⑦丫 隱元的個(gè)數(shù)。那么，當(dāng)我們把一條新來的數(shù)據(jù)"-：'附 給(clampto)顯層后，RBM將會(huì)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(gè)隱元的激勵(lì)值(activation)計(jì)算出來： h=Wx 注意，這里用到了前面提到的神經(jīng)元之間的條件獨(dú)立性。

7、然后，將每個(gè)隱元的激勵(lì)值都用s形函數(shù)進(jìn)行標(biāo)準(zhǔn)化，變成它們處于開啟 狀(用i表示)的概率值: 4 # 此處的S形函數(shù)我們采用的是Logistic函數(shù): # 至此，每個(gè)隱元hj開啟的概率被計(jì)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 P(hj=0)=1—P(氣=1) 那么到底這個(gè)元開啟還是關(guān)閉，我們需要將開啟的概率與一個(gè)從0,1均勻分布中抽取的隨機(jī)值 "?t/(0,1) 進(jìn)行如下比較 1p(h.=i)>u '0,P(h—1)< 然后開啟或關(guān)閉相應(yīng)的隱元。 給定隱層，計(jì)算顯層的方法是一樣的。 訓(xùn)練RB

8、M RBM的訓(xùn)練過程，實(shí)際上是求出一個(gè)最能產(chǎn)生訓(xùn)練樣本的概率分布。也就是說,要求一個(gè)分布，在這個(gè)分布里，訓(xùn)練樣本的概率最大。由于這個(gè)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。為了保持讀者的興趣，這里我們不給出最大化對(duì)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(duì)比散度(ContrastiveDivergence)的學(xué)習(xí)算法。 F面我們來詳述它的具體過程。 我們沿用前文的符號(hào)記法。 算法1.對(duì)比散度 對(duì)于訓(xùn)練集中的每一條記錄 算法丄對(duì)比故度 對(duì)于訓(xùn)練集中的4董i己錄工有： 將訓(xùn)跆顯層艸，譏算它使隱抽經(jīng)元彼Jf啟的嘅率f

9、（皆）=ii嚴(yán)）=曲網(wǎng)卍） 式中的上標(biāo)用于區(qū)別不同向量’下標(biāo)用于朗恫一向最中的不碉。 然民從計(jì)算出的概率分創(chuàng)鈾取一t樣本 h冏-科卅）嚴(yán)） 用巫構(gòu)顯層 現(xiàn)年=l|h?））=mwW） 同樣，抽取出顯層的一^樣本 隹次年SI層神經(jīng)元隹構(gòu)之悟的口噂岀隱層神經(jīng)元被開啟的概率 F（H：=1|円）二別必「円） 如此訓(xùn)練烹后的粒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。W+激腫=11理）理『一砒=1|/}”⑴丁 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(gè)神經(jīng)

10、網(wǎng)絡(luò)，它既可以被看作一個(gè)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(gè)RBM； 2. 固定第一個(gè)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(gè)RBM的輸入向量； 3. 充分訓(xùn)練第二個(gè)RBM后，將第二個(gè)RBM堆疊在第一個(gè)RBM的上方； 4. 重復(fù)以上三個(gè)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(shí)，這個(gè)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(jìn)行訓(xùn)練： a）假設(shè)頂層RBM的顯層有500個(gè)顯性神經(jīng)元，訓(xùn)練數(shù)據(jù)的分類一共分成 了10類；

11、b）那么頂層RBM的顯層有510個(gè)顯性神經(jīng)元，對(duì)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） 2/1 訓(xùn)練好 INE-TUNIN 程是一個(gè)判別模型 是在最頂層RBM中參與訓(xùn) h00 另: vOOO000000 調(diào)優(yōu)過程*Fine-TUSing):PWlh) 生成模型使用ContrastiveWake-Sleep算法進(jìn)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(diǎn)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(shí)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. Sleep階段：生成過程，通過頂層表示（醒時(shí)學(xué)得的概念）和向下權(quán)重，生成底層的狀態(tài)，同時(shí)修改層間向上的權(quán)重。也就是如果夢(mèng)中的景象不是我腦中的相應(yīng)概念，改變我的認(rèn)知權(quán)重使得這種景象在我看來就是這個(gè)概 念。 使用過程： 1. 使用隨機(jī)隱性神經(jīng)元狀態(tài)值，在頂層RBM中進(jìn)行足夠多次的吉布斯抽 樣; 2. 向下傳播，得到每層的狀態(tài)。 11