[原創]#Deep Learning回顧#之2006年的Science Paper

大家都清楚神經網路在上個世紀七八十年代是著實火過一回的，尤其是後向傳播BP演算法出來之後，但90年代後被SVM之類搶了風頭，再後來大家更熟悉的是SVM、AdaBoost、隨機森林、GBDT、LR、FTRL這些概念。究其原因，主要是神經網路很難解決訓練的問題，比如梯度消失。當時的神經網路研究進入一個低潮期，不過Hinton老人家堅持下來了。

功夫不負有心人，2006年Hinton和學生髮表了利用RBM編碼的深層神經網路的Science Paper：Reducing the Dimensionality of Data with Neural Networks，不過回頭來看，這篇paper在當今的實用性並不強，它的更大作用是把神經網路又推回到大家視線中，利用單層的RBM自編碼預訓練使得深層的神經網路訓練變得可能，但那時候Deep learning依然爭議很多，最終真正爆發是2012年的ImageNet的奪冠，這是後話。

如圖中所示，這篇paper的主要思想是使用受限RBM先分層訓練，受限的意思是不包含層內的相互連接邊（比如vi*vj或hi*hj）。每一層RBM訓練時的目標是使得能量最小：

能量最小其實就是P(v, h)聯合概率最大，而其他v』相關的p(v』, h)較小，後面這個是歸一化因子相關。這塊如果理解有問題的，需要補一下RBM相關知識，目前網上資料不少了。

大致的過程為，從輸入層開始，不斷進行降維，比如左圖中的2000維降到1000維， 降維時保證能量最小，也就是輸出h和輸入v比較一致，而和其他輸入v』不一致，換句話說，輸出盡量保證輸入的信息量。降維從目標上比較類似於PCA，但Hinton在文章說這種方法比PCA效果會好很多，尤其是經過多層壓縮的時候（比如784個像素壓縮到6個實數），從原理應該也是這樣的，RBM每一層都盡量保留了輸入的信息。

預訓練結束後，就會展開得到中間的解碼器，這是一個疊加的過程，也就是下一層RBM的輸出作為上一層RBM的輸入。

最後再利用真實數據進行參數細調，目標是輸入圖片經過編碼解碼後盡量保持原圖信息，用的Loss函數是負Log Likelihood：

這篇在今天看來實用性不太大，難度也不大，但在當時這篇文章看起來還是晦澀的，很多原理沒有細講。為何能中Science？個人認為，畢竟Hinton是神經網路的泰斗，換個人名不見經傳的人估計中不了，另外這篇文章也確實使得以前不可能的深層神經網路變得可能了，在今天依然有很多可以借鑒的地方，細心的同學會發現上百或上千層的ResNet的思想在一定程度上和這篇論文是神似的。ResNet也是意識到深層（152層）不好直接訓練，那就在單層上想辦法，將原來直接優化H(x)改為優化殘差F(x) = H(x)-x，其中H(X)是某一層原始的的期望映射輸出，x是輸入，相當於輸入x有個直通車到達該層輸出，從而使得單層的訓練更加容易。

參考資料：

[1] Paper：http://www.cs.toronto.edu/~hinton/science.pdf

[2] 代碼：http://www.cs.toronto.edu/~hinton/MatlabForSciencePaper.html

本文只是簡單回顧，疏漏之處敬請諒解，感興趣的可以加QQ群一起學習：564533376

推薦閱讀：