深度学习中的各种tricks_1.0_label_smoothing

深度学习中的各种tricks_1.0_label_smoothing

2017/11/16 - Thursday - 第一次修改
[ 用于整理遇到的NN设计中使用的不同结构和trick的原理与实现 ]

label smoothing （标签平滑）

在读cleverhans的示例代码时发现code中对于train_Y即训练标签做了label smoothing，于是找到paper中对于该方法的描述和理论分析，如下：

对于分类问题，常规做法时将类别做成one-hot vector，然后在网络最后一层全链接的输出后接一层softmax，softmax的输出是归一的，因此我们认为softmax的输出就是该样本属于某一类别的概率。由于标签是类别的one-hot vector， 因此表征我们已知该样本属于某一类别是概率为1的确定事件，而其他类别概率都为0。

softmax：

p(k|x)=exp(zk)∑i=Kiexp(zi)

其中 zi 一般叫做 logits ，即 未被归一化的对数概率 。我们用 p 代表 predicted probability，用 q 代表 groundtruth 。在分类问题中loss函数一般用交叉熵，即：
cross entropy loss:

loss=−∑k=1Kq(k|x)log(p(k|x))

交叉熵对于logits可微，且偏导数形式简单： ∂loss∂zk=p(k)−q(k) ，显然梯度时有界的（-1到1）。

对于groundtruth为one-hot的情况，即每个样本只有惟一的类别，则 q(k)=δk,y ， y 是真实类别。其中 δ 是Dirac函数。要用predicted label 去拟合这样的函数具有两个问题：首先，无法保证模型的泛化能力（generalizing），容易导致过拟合； 其次，全概率和零概率将鼓励所属类别和非所属类别之间的差距尽可能拉大，而由于以上可知梯度有界，因此很难adapt。这种情况源于模型过于相信预测的类别。（ Intuitively, this happens because the model becomes too confident about its predictions.）

因此提出一种机制，即要使得模型可以 less confident 。思路如下：考虑一个与样本无关的分布 u(k) ，将我们的 label 即真实标签 q(k) 变成 q′(k) ，其中：

可以理解为，对于 Dirac 函数分布的真实标签，我们将它变成以如下方式获得：首先从标注的真实标签的Dirac分布中取定，然后，以一定的概率 ϵ ，将其替换为在 u(k) 分布中的随机变量。因此可以避免上述的问题。而 u(k) 我们可以用先验概率来充当。如果用 uniform distribution 的话就是 1/K 。该操作就叫做 label-smoothing regularization, or LSR 。

对于该操作的数学物理含义可以用交叉熵的概念说明：

可以认为 loss 函数分别以不同的权重对 predicted label 与标注的label 的差距 以及 predicted label 与 先验分布的差距 进行惩罚。根据文章的报告，可以对分类性能有一定程度的提升。（In our ImageNet experiments with K = 1000 classes, we used u(k) = 1/1000 and  = 0.1. For ILSVRC 2012, we have found a consistent improvement of about 0.2% absolute both for top-1 error and the top-5 error ）

reference:

1. Szegedy C, Vanhoucke V, Ioffe S, et al. Rethinking the Inception Architecture for Computer Vision[C]// Computer Vision and Pattern Recognition. IEEE, 2016:2818-2826.
2. https://github.com/tensorflow/cleverhans/blob/master/cleverhans_tutorials/mnist_tutorial_tf.py