Оптимальное прореживание нейронных сетей (пример)

Материал из MachineLearning.

Версия от 08:53, 19 апреля 2010; Strijov (Обсуждение | вклад)

(разн.) ← Предыдущая | Текущая версия (разн.) | Следующая → (разн.)

Содержание

1 Постановка задачи
2 Теория
3 Методы
4 На модельных данных
5 German Credit Data
6 Отбор признаков
7 Исходный код
8 См. также
9 Использованная литература

Постановка задачи

Рассматривается двухслойная нейронная сеть с одним выпускающим нейроном и заведомо достаточно сложной для выбранной задачи топологией. Производится упрощение её структуры путём разрезания наименее значимых связей для повышения обобщающей способности, пока не начнут ухудшаться результаты на контрольной выборке. Наименее значимые связи определяются через приближение гессиана функции потерь $H(w)=\frac{\partial^2}{\partial w^2}Q$ в задаче разделения на 2 класса. Используется дифференцируемое приближение $Q(w,X)=\Sigma_{i=1}^n \lambda_y \sigma(-M(w,x_i))$ функции потерь $E(w,X)=\Sigma_{i=1}^n \lambda_y \theta(-M(w,x_i))$ , где $M(w,x_i)=y_i a(x_i)$ - отступ (margin) нейронной сети на объекте $x_i$ , $\lambda_y$ - вес соответствующей ошибки, $\sigma(z)=\frac{1}{1+e^{-z}}$ - сигмоидная функция.

Теория

Если функционал качества Q в некоторой точке достаточное число раз дифференцируем(3 раза), то его можно представить в окрестности этой точки в виде $Q(w+\delta)=Q(w)+\delta^T \nabla Q(w)+\delta^T H(w)\delta+O(||\delta||^3)$ , где $H(w)=\frac{\partial^2}{\partial w^2}Q$ - гессиан функции потерь. Если считать, что после обучения веса нейросети w соответствуют локальному минимуму функционала качества Q, то в этой точке $\nabla Q(w)=0$ , и приращение фнкции потерь можно считать равным $\Delta Q=Q(w+\delta)-Q(w)=\frac{1}{2}\delta^T H\delta$ . Теперь пусть $w_i$ -некий синаптический вес, его обнуление эквивалентно выполнению $e_i^T\delta +w_i=0$ , где $e_i$ - i-й столбец единичной матрицы порядка, равного размерности вектора весов нейросети. Получаем задачу условной минимизации : $\frac{1}{2}\delta^T H\delta \rightarrow min$ $e_i^T\delta +w_i=0$ Лагранжиан $S=\frac{1}{2}\delta^T H\delta -\lambda (e_i^T \delta +w_i)$ . Решая её, получим оптимальное изменение весов $\delta =-\frac{w_i}{H^{-1}_{ii}}H^{-1}e_i$ и соответствующее приращение лагранжиана(степень выпуклости, она же значимость, salency) $S_i=\frac{w_i^2}{2H^{-1}_{ii}}$ . Для разрезания выбираются веса с наименьшей степенью выпуклости. В процедуре OBD, кроме того, предполагается существенное диагональное преобладание гессиана в локальном минимуме так, что можно пренебречь недиагональными элементами, и полученное соотношение для степени выпуклости вырождается в $S_i=\frac{w_i^2}{2H^{-1}_{ii}}=w_i^2 H_{ii}=w_i^2 \frac{\partial^2}{\partial w_i^2}Q$ .

Методы

В данном прмере для минимизации дифференцируемой модификации функции потерь применяется процедура наискорейшего градиентного спуска с вычислением градиента методом обратного распространения ошибки(back propagation) с мультистартом. Темп обучения на каждом шаге ищется одномерной минимизацией функции потерь в направлении антиградиента с помощью функции Matlab fminbnd. Обучение останавливается, когда найденный таким образом на очередной итерации темп обучения стновится меньше критического значения( $2^{-13}$ ). Вторые производные функционала качества по весам(диагональные элементы гессиана) ищутся разностным методом $H_ii=\frac{Q(w+\epsilon e_i)-2Q(w)+Q(w-\epsilon e_i)}{\epsilon^2}$ . На каждом шаге Optimal Brain Damage разрезается ровно 1 синаптический вес до тех пор, пока после очередного разрезания и последующего обучения 2 раза подряд не увеличится значение функции потерь на контрольной выборке.

На модельных данных

Для апробации алгоритма на модельных данных были сгенерированы ( GetNormClass.m) 2 сильно пересекающихся нормально распределённых 10-мерных класса, затем полученная выборка случайным образом поделена на обучающую и контрольную, и с ними поизведены описанные операции над двухслойным персептроном с 10-тью нейронами в каждом скрытом слое. В таблице приведён порядок разрезания синапсов и динамика функционала качества (в % от максимально возможных потерь).

номер слоя	испускающий нейрон	принимающий нейрон	степень выпуклости(salency)	качество на обучении(после разрезания)	качество на контроле(после разрезания)
0	0	0	0	5.7553	1.4085
3	2	1	-0.1482	10.0719	8.4507
1	9	1	-0.0068	10.0719	8.4507
1	2	3	-0.1248	9.3525	22.5352
1	9	9	-0.0819	10.0719	15.4930
3	-1	1	-0.0278	9.3525	22.5352
1	3	9	-0.025	8.6331	21.1268
1	5	4	-9.5465e-4	8.6331	21.1268
1	6	9	-0.0021	8.6331	15.493
1	3	5	-0.0074	28.0576	42.2535
1	5	5	-0.0115	3.5971	21.1268
1	5	2	-0.0012	3.5971	21.1268
2	1	4	-0.0086	5.036	8.4507
2	8	8	-0.0055	17.2662	35.2113
1	8	9	-0.0288	8.6331	22.5352
1	4	1	-0.0049	12.9496	21.1268
1	1	10	-0.0167	11.5108	22.5352
1	6	1	-0.0021	13.6691	28.169

На рисунке показана динамика изменения функции потерь при разрезании синапсов и последующем обучении(синим - на обучении, красным - на контроле).

German Credit Data

Та же процедура проделана на данных кредитного скоринга [1]. Как видно из динамики функции потерь и характеристик разрезаемых синапсов, OBD почти не улучшает качество сети на контольной выборке, из чего можно сделать вывод о низкой степени переобучения, обусловленной, возможно, низкой эффективностью применяемого алгоритма обучения для данного случая.

номер слоя	испускающий нейрон	принимающий нейрон	степень выпуклости(salency)	качество на обучении(после разрезания)	качество на контроле(после разрезания)
0	0	0	0	5.7553	1.4085
3	2	1	-0.1482	10.0719	8.4507
1	9	1	-0.0068	10.0719	8.4507
1	2	3	-0.1248	9.3525	22.5352
1	9	9	-0.0819	10.0719	15.4930

Отбор признаков

Процедура OBD может также применяться для отбора признаков в модели, точнеее, для удаления наименее информативных признаков. Обычно в таких случаях находят суммарную степень выпуклости весов синапсов, идущих от каждого признака, называемую также значимостью(salency) признака: $S(f_i)=\Sigma_{j=1}^P S(w_{ij})$ , где P - число нейронов в первом слое. После чего разрезают все синапсы от признака, у которого это значение получилось наименьшим.

Исходный код

Листинги алгоритмов можно посмотреть здесь:arglayer.m,backprop.m,damage.m,...

См. также

Использованная литература

1. Хайкин С. Нейронные сети, полный курс. 2е издание, испр. - М: Вильямс. 2008. - 1103 с. ISBN 978-5-8459-0890-2
2. Bishop Ch.M. Neural Networks for Pattern Recognition. - Oxford: Clarendon Press.1995.
3. Воронцов К.В. Машинное обучение. Лекции.

Источник — «http://poligon.machinelearning.ru/wiki/index.php?title=%D0%9E%D0%BF%D1%82%D0%B8%D0%BC%D0%B0%D0%BB%D1%8C%D0%BD%D0%BE%D0%B5_%D0%BF%D1%80%D0%BE%D1%80%D0%B5%D0%B6%D0%B8%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5_%D0%BD%D0%B5%D0%B9%D1%80%D0%BE%D0%BD%D0%BD%D1%8B%D1%85_%D1%81%D0%B5%D1%82%D0%B5%D0%B9_%28%D0%BF%D1%80%D0%B8%D0%BC%D0%B5%D1%80%29»