本文为笔者学习CS224N所做笔记,所包含内容不限于课程课件和讲义,还包括笔者对机器学习、神经网络的一些理解。所写内容难免有难以理解的地方,甚至可能有错误。如您在阅读中有疑惑或者建议,还望留言指正。笔者不胜感激!
一般而言,训练数据由训练样本 { x i , y i } i = 1 N \{x_i,y_i\}^{N}_{i=1} {xi,yi}i=1N组成。 x i x_i xi表示输入(假定每个样本的维度为 d d d), y i y_i yi表示类别(假定有 C C C个类别)。
在传统的机器学习方法中,对于训练样本,训练逻辑回归权重 W ∈ R C × d W\in R^{C \times d} W∈RC×d,使得超平面可以将点分隔开。注意,一个超平面只可以将空间划分为两个子空间,此处训练 C C C个超平面。
对于多分类来说,对于每一个 x x x,预测
p ( y ∣ x ) = e x p ( W y ⋅ x ) ∑ c = 1 C e x p ( W c ⋅ x ) p(y|x)=\frac{exp(W_y · x)}{\sum_{c=1}^Cexp(W_c·x)} p(y∣x)=∑c=1Cexp(Wc⋅x)exp(Wy⋅x)
等式右侧为计算其属于真实类别的概率,我们希望其越大越好。
对于某个类别 c ∈ [ 1 , C ] c \in [1, C] c∈[1,C],可以训练得到一个权重 W c W_c Wc,代表一个空间中的超平面的法向量。不失一般性,认为此法向量的方向所指向的空间为正例所在空间(属于此类别),法向量反方向所指向的空间为反例(不属于此类别)。故此超平面将空间中的点划分为两部分,一部分为 c c c类,一部分为非 c c c类。
共有 C C C个类别,每个类别均有其所对应的超平面。若一个样本属于正例,可以认为其离超平面越远,属于此类的概率越高。因此,可以用超平面法向量 W c W_c Wc和样本 x x x的点积, W c ⋅ x = f y W_c·x=f_y Wc⋅x=fy得到样本点到超平面的距离,代表样本归属类别的概率(由于法向量有方向,存在负值的情况,负值代表不属于此类)。
最后,使用softmax函数,对计算得到的所有距离归一化,得到属于每个类别的概率值。
p ( y ∣ x ) = e x p ( f y ) ∑ c = 1 C e x p ( f c ) = softmax ( f y ) p(y|x)=\frac{exp(f_y)}{\sum_{c=1}^Cexp(fc)}=\text{softmax}(f_y) p(y∣x)=∑c=1Cexp(fc)exp(fy)=softmax(fy)
分类器的目标是所有样本的对于正确类别的概率分布最大,即
m a x o b j = ∑ i = 1 N ∏ c = 1 C p ( y i c ∣ x i ) y i c max\ obj= \sum_{i=1}^N\prod_{c=1}^Cp(y_{ic}|x_i)^{y_{ic}} max obj=i=1∑Nc=1∏Cp(yic∣xi)yic
解释一下,求和项表示对所有样本进行求和,而求乘积项是属于每个概率的指数次方求连乘积。例如假定有3类,预测归属于每一类的概率分别为 [ 0.1 , 0.3 , 0.6 ] [0.1, 0.3, 0.6] [0.1,0.3,0.6],而真实标签分布为 [ 0 , 0 , 1 ] [0, 0, 1] [0,0,1],则需要计算 0. 1 0 ∗ 0. 3 0 ∗ 0. 6 1 0.1^0*0.3^0*0.6^1 0.10∗0.30∗0.61,可见十分耗时。
然而对于所有类别,求乘积速度比求和慢;同时从习惯上,一般希望分类器误分类的损失最小,因此使用负对数概率对上式改写,得到负对数似然函数则有
m i n o b j = − ∑ i = 1 N ∑ c = 1 C y i c l o g p ( y i c ∣ x i ) min\ obj= -\sum_{i=1}^N\sum_{c=1}^Cy_{ic}logp(y_{ic}|x_i) min obj=−i=1∑Nc=1∑Cyiclogp(yic∣xi)
此时,乘积变为求和。习惯上成之为损失,用 L L L表示。
L = − ∑ i = 1 N ∑ c = 1 C y i c l o g p ( y i c ∣ x i ) L= -\sum_{i=1}^N\sum_{c=1}^Cy_{ic}logp(y_{ic}|x_i) L=−i=1∑Nc=1∑Cyiclogp(yic∣xi)
此式和交叉熵的式子如出一辙。
交叉熵出自于信息论,用于评估两个分布的相似程度。越相似,则交叉熵越小,反之越大。令真实的概率分布为 p p p,模型得到的概率分布为 q q q,则两个分布的交叉熵为
H ( p , q ) = − ∑ c = 1 C p ( c ) l o g q ( c ) H(p, q)=-\sum_{c=1}^Cp(c)logq(c) H(p,q)=−c=1∑Cp(c)logq(c)
其实上面已经考虑过对整个数据集分类的损失,即
L = − ∑ i = 1 N ∑ c = 1 C y i c l o g p ( y i c ∣ x i ) L= -\sum_{i=1}^N\sum_{c=1}^Cy_{ic}logp(y_{ic}|x_i) L=−i=1∑Nc=1∑Cyiclogp(yic∣xi)
一般而言,我们希望得到对于每个样本平均损失(平均误差),则有
L = − 1 N ∑ i = 1 N ∑ c = 1 C y i c l o g p ( y i c ∣ x i ) L= -\frac{1}{N}\sum_{i=1}^N\sum_{c=1}^Cy_{ic}logp(y_{ic}|x_i) L=−N1i=1∑Nc=1∑Cyiclogp(yic∣xi)
很多时候,数据集并不能用超平面将数据分隔开,我们要寻找的分界面往往不是以“标准的超平面”存在于参数空间中,神经网络分类器的表现更好。
一个神经元可以看做一个二分类逻辑回归单位。一个神经元由权重 w w w,偏置 b b b,非线性激活函数 f f f和输入向量 x x x组成, w , b w,b w,b为神经网络的参数。
h w , b ( x ) = f ( w T x + b ) f ( z ) = 1 1 + e − z h_{w,b}(x)=f(w^Tx+b)\\ f(z)=\frac{1}{1+e^{-z}} hw,b(x)=f(wTx+b)f(z)=1+e−z1
这里激活函数使用的是sigmoid。
如图,此时输入为向量 x = [ x 1 , x 2 , x 3 , 1 ] x=[x_1, x_2, x_3,1] x=[x1,x2,x3,1],除1之外,每条连接到神经元的线均有一个权重系数 w = [ w 1 , w 2 , w 3 ] w=[w_1,w_2,w_3] w=[w1,w2,w3],而在1和神经元连线上的为偏置项 b b b。计算 h w , b ( x ) = f ( w T x + b ) h_{w,b}(x)=f(w^Tx+b) hw,b(x)=f(wTx+b).
为了增强表示能力,会将多个神经元组成神经网络。具体而言,我们将输入经过一层神经元的结果在连接另外一层神经元,如下图所示。
图中表示一个三层神经网络,第一层为输入层,第二层为隐层,第三层为输出层(三层神经网络的习惯叫法)。当然也可以把隐层扩充为更多层的神经网络,形成一个更巨大和更复杂的神经网络。
相对于线性分类器,非线性的激活函数是拟合复杂函数或寻找复杂的分解边界的关键。连续的没有非线性激活函数的全连接层可以用一个全连接层来表示,即 W 1 W 2 x = W x W_1W_2x=Wx W1W2x=Wx
命名实体识别被称为Named Entity Recognition(NER),其任务目标为找出语句中的名词并对其类别进行分类。
将一个滑动窗口内词的词向量送入线性分类器,来预测中心词的词性。
X w i n d o w ∈ R 5 d X_{window}\in R^{5d} Xwindow∈R5d, d d d表示词向量的维度
建立一个三层的神经网络,输入同样为一个滑动窗口内的词向量,输出为一个得分,表示其属于“地点”的名词的得分(可以使用sigmoid激活函数,将其置于限制在 [ 0 , 1 ] [0,1] [0,1]之间,来表示概率)。
注意到使用了激活函数 f ( z ) f(z) f(z)来捕捉非线性关系。