Deep Learning的学习实践 3 -- AutoEncoder

首先，讨论一下原始特征数据的处理，这就是传说中的“特征工程”（Feature Engineering），很重要，但是书上不会写。我这里测试使用的是某运营商，做离网预测的数据。经过初步判断，从众多的特征数据中选取相关的147个特征做训练数据。原始数据类别很多，比如：近三个月漫游通话时长，近一个月主叫通话次数，近二个月拨打本网客服的次数，近一月长途通话费用，手机上网流量，手机价格，套餐类型等。这些特征的单位各不相同，数据值差异很大，而且有很多是ID类数据（枚举值）。大多数机器学习模型面对这样的特征数据，都是很难处理的，因为大多数机器学习模型是需要计算数据之间的“距离”的，这么乱的原始数据，是难以处理的。对于一些简单模型，比如逻辑回归，朴素贝叶斯模型，模型本身做了前提假设，假设每个特征之间是相互没有关系的（这个假设其实是个很强的约束），用这类模型可以直接处理这样的原始特征数据，结果肯定比随机猜测好，一般应用还可以接受。但是使用复杂一些的模型，就会有问题，我用DBN测试这种数据的时候，AUC甚至低于0.5，用SDA的时候稍好一点，也不到0.6。所以，首先要对这些特征做归一化处理，因为这个数据集中正例的比率很小，我这里用的归一化方式，是计算每个特征的后验概率。具体说：对于枚举类型的数据（ID类数值），先计算包含该ID的正例样本数 / 包含该ID的总样本数（即后验概率），然后再归一化：x =（x - 当前列的最小值）/ 当前列的最大值 *100。对于金额，流量等连续值数据，如果数值太多，难以计算后验概率（如果每个值只出现一次，那么计算后验概率的结果就只有0和1/N这两个值了），这时可以直接做归一化：x = （x - 当前列的最小值）/ 当前列的最大值*100，归一化后的数据在0~1之间。（分母乘以100是为了让数据接近于0，避免大量出现1。）注意：训练集的数据这样处理后，测试集数据中的枚举值ID类数据，要用训练集中的数据对应的后验概率的概率值，不能重新计算正例样本数/总样本数，因为测试集中应该是没有标注数据的，是不能判断正例样本数的。如果测试集中有的数据在训练集中没有，可以把该后验概率值设置为0。这种数据归一化的方法在应用中是很好的，各种DNN模型基于归一化后的数据测试，AUC可以大幅提升，比如DBN的AUC可以提高到0.678。但是，对于Deep Learning这种“特征学习”而言，这种特征归一的方法也不好解释其原理，后验概率能否说明原始特征的内在特性，并且经过多层神经网络抽象后是什么东西也比较难理解，总体上，AUC不算高，后面再详细分析。

下面介绍第一种Deep Learning 模型，AutoEncoder。这种模型，每一层是对原始特征数据的一个编码器，其目的是使用神经网络去模拟原始数据，而且与原始数据尽可能的接近。

如下图所示：

Input是原始数据，encoder就是一层神经网络，输出的是code，就是编码后的数据。实际上训练完后，这一层神经网络不需要decoder（解码器），AutoEncoder只是把Input的原始数据做这一层神经网络的“学习目标”，得到训练好网络参数，就得到了encoder，也就是说学习的目的是通过encoder得到的code要尽量接近原始数据，学习的过程就是减少code与原始数据之间的误差Error，所以decoder的过程其实是这一层神经网络的学习过程，而这一层神经网络在训练完后的输出就是编码后的code。这样做的目的，首先是增加了很多特征，因为这里输出的code，接近于原始特征数据，但不是原始特征，增加特征本身对很多机器学习模型是有用的。

简单的增加特征显然是不够的，所以AutoEncoder 有很多扩展模型，主要的是SparseAutoEncoder（稀疏自编码），和Denoising AutoEncoder（去噪自编码）（Theano中SDA就是多层Denoising AutoEncoder）  。这两种模型的目的都是在大量特征中抛弃一些无用的特征，留下有用的特征（就是关键性的特征），可以理解为表示学习或者特征抽象。

SparseAutoEncoder（稀疏自编码）的基本操作是在encoder编码器其中添加惩罚项参数，使得一些无用的特征权值为0，比如添加L1正则的方法，这样就可以大量减少无用的特征，使其稀疏。“正则化”基本上是对所有复杂的机器学习模型都有用的利器，因为机器学习模型对训练样本的模式学习，随着模型复杂度的上升，很可能会过拟合（模型的表达能力过于逼近训练数据，而忽视了未知的测试数据），造成对测试数据的泛化能力差，“正则化”技术的本质是把loss function的超平面重构问题的求解限制在压缩子集中，也就是用惩罚项，让模型对训练样本的精度和求解的光滑程度（泛化能力）进行一个折中。这种技术的基本原理与“压缩感知”原理有关。     

与此类似的方法就是DeepLearning里面有名的正则化方法DropOut，实现很简单，就是每次训练使隐层的一部分神经元不工作，比如随机选择40%的神经元权重设置为0（激活函数的激活值设置为0），再去继续训练模型。该方法起源2012年图像识别的论文“ImageNet Classification with Deep Convolutional”，这种方法可以有效防止过拟合，增加模型的泛化能力，在深度学习领域被广泛使用。

DenoisingAutoEncoder（去噪自编码）的基本操作是训练这层神经网络时，主动添加一些噪声数据，然后再去训练，在添加了噪声数据后，进行训练后，可以使该层神经网络更鲁棒，这个意思就是这样的训练方法使encoder泛化能力更强，其本意是在学习过程中，添加噪声数据，在对学习目标（原始数据）进行学习的时候，引入了更多的特征数据，使用encoder不会过分拟合当前训练的原始特征数据，而面对其他的数据时缺乏拟合能力，所以encoder的学习能力泛化了。可以理解为，在更丰富的数据中（包含噪声数据），去学习目标的难度更大，可以使学习器更好地保留学习目标的核心关键信息。我的理解，这里的算法原理与PCA主成分分析模型的原理类似，学习器可以通过变化率的趋势分析，在大量数据中找到主元方向（就是数据中的核心内容）。

添加噪声数据的方法很多，在Theano的SDA中用了比较简单的方法，就是把输入数据中的一部分设置为0，就是让输入数据被破坏，使用的方法是dA.py中的get_corrupted_input函数，默认是把30%的输入数据设置为0，即代码corruption_level=0.3，而且，这是随机选取30%的数据，因为Pretraining有很多轮迭代，每次迭代选取的30%训练数据会不一样，每次会用不同的局部数据去学习总体数据的关键信息，总体上不丢失原始数据结构，而且可以更好地学习到原始数据中的主要特征。引一段Theano的原文：the stochastic corruption process randomly sets some ofthe inputs (as many as half of them) to zero. Hence the denoising auto-encoderis trying to predict the corrupted (i.e. missing) values from theuncorrupted (i.e., non-missing) values, for randomly selected subsets ofmissing patterns. Note how being able to predict any subset of variables fromthe rest is a sufficient condition for completely capturing the jointdistribution between a set of variables (this is how Gibbs sampling works).

以上说明都是一层AutoEncoder（自编码器），多层AutoEncoder，下一层的输入，就是上一层的输出，每一层是分别训练的，每一层训练完后，输出的是原数据的核心特征数据，每一层都是去学习上一层编码后的新特征，然后输出一个更加核心的特征数据，层层递进，所有隐含层训练完后，就完成了pretraining，这是一个自学习过程，一般训练时间都很长，最后得到特征数据，可以认为是原始数据中最核心的特征。这就是第一篇文中描述“特征抽象”那个示意图的基本过程。这个过程是很神奇的，但这个过程还缺乏理论证明，它为什么会work。Bengio给了一些可能的理论解释：Thedenoising auto-encoder can be understood from different perspectives (themanifold learning perspective, stochastic operator perspective, bottom-up –information theoretic perspective, top-down –generative model perspective).

整个Pretraining的过程都是在用无标注数据去训练DeepLearning神经网络模型的参数（W），得到的结果就是这个神经网络有一个比较好的初始参数，这其实就是Deep Learning的核心价值。也有人说，这就是让神经网络在学习和固化“知识”。然后，还有一个Fineturning的过程，与BP训练方法一致，使用标注数据，对神经网络的参数进行“调优”。最终用最后一层分类器去做分类预测。Pretraining的训练时间远超过Fineturning的时间，下面这个表，可以看一下简单的对比：

1万条训练数据，147个特征，batch_size=1000。

SDA神经网络	Pretraining训练时间（分钟）	Fineturning时间（分钟）
3个隐层，每层10个神经元，pretraining 3轮迭代，finetunning5轮迭代。	6.6	4.01
3个隐层，每层40个神经元，pretraining 10轮迭代，finetunning20轮迭代。	65.2	32.4
3个隐层，每层10个神经元，pretraining100轮迭代，finetunning 500轮迭代。	262.9	9.32

Theano中SDA代码的要点说明：

dA是单层的去噪自编码器，它可以独立运行，使用MNIST数据集测试，可以看到

__init__(self,numpy_rng, theano_rng=None, input=None,

                n_visible=784, n_hidden=500,

                W=None, bhid=None, bvis=None)

#n_visible是特征数，这里是MNIST数据集的特征数，28*28的手写数字图片。n_hidden 是隐层神经元数，这里只有一层。

y =self.get_hidden_values(tilde_x)  #通过隐层得到y，即x'

z =self.get_reconstructed_input(y)  #使用W的矩阵转置W_prime，重构原始的x

图片的原始特征是像素，最基本的表现方式是灰度，每个像素是0~255之间的数字，0是黑色，255是白色，一般会把每个像素处理成0~1之间的小数（除以255即可），0是黑色，1是白色，对于手写数字图片集MNIST的输入数据（28*28的图片集）处理详细说明参见：http://deeplearning.net/tutorial/gettingstarted.html。dA对MNIST数据集训练后，效果如下图，左边是原始特征，右边是添加30%噪声数据学习后的特征，右边特征要更清晰简洁，更关键一些：

  

sDA的代码：

   sda = SdA(numpy_rng=numpy_rng, n_ins=dimension,     #输入层147个神经元，要与特征维度一致

   hidden_layers_sizes=[50, 50, 50],   #3个隐层，数据量小的话每层10个比较好

             n_outs=2)   #输出层2个神经元，做二分类问题。

# We nowneed to add a logistic layer on top of the MLP  分类器LR用的特征是隐含层的最后一层的输出。

       self.logLayer = LogisticRegression(

                        input=self.sigmoid_layers[-1].output,

                        n_in=hidden_layers_sizes[-1], n_out=n_outs)

#finetune是对所有层进行finetune，输入数据还是 train_set_x，验证数据train_set_y，与MLP的方法一致。

#要在训练时返回cost，W，b等参数，便于查看，需要添加outputs参数，最后的LR分类器的权值W,b，最后一个隐层的权值W,b

       train_fn = theano.function(inputs=[index],

             outputs=[self.finetune_cost, self.logLayer.W, self.logLayer.b,self.sigmoid_layers[self.n_layers-1].W,self.sigmoid_layers[self.n_layers-1].b], 

             updates=updates,

             givens={

               self.x: train_set_x[index * batch_size:

                                   (index + 1) * batch_size],

               self.y: train_set_y[index * batch_size:

                                   (index + 1) * batch_size]},

             name='train')

#对于测试集的测试，可以添加输出数据，输出output分别是：MLP的误差，分类器LR的预测结果y,分类器LR的预测概率。

       test_model_result = theano.function(inputs=[index],

             outputs=[self.errors, self.logLayer.y_pred, self.logLayer.p_y_given_x],

             givens={

                  self.x: test_set_x[index * batch_size:

                                     (index + 1) * batch_size],

                  self.y: test_set_y[index * batch_size:

                                     (index + 1) * batch_size]},

                                           name='test_result', mode='DebugMode')

#输出测试数据的预测分类结果和概率，在计算AUC时也需要LR_probality这个概率值。

LR_error,LR_predictResult, LR_probality =  test_model_result()

  

#计算AUC（用了Scikit的metrics包）：

 probability_Test = LR_probality_all_array[:,1]  #取第2列，即为1的概率

 fpr, tpr, thresholds = metrics.roc_curve(testLabel_array, probability_Test)

 AUC = metrics.auc(fpr, tpr)

#对于Recall,Accuracy,Precision可以自己写函数计算。

 

 

随想：

我有时候在想，我们广大的程序猿，可以看做是这个世界的Encoder，正在把现实世界编码模拟放在虚拟的计算机世界中，所以我们广大的程序猿就是这个计算机网络中的神经元, 是计算机网络感知这个世界的“虚拟大脑”的零件…