FoundationsofMachineLearning

ArtificialNeuralNetworks2023/11/4ArtificialNeuralNetworksLesson10-1ArtificialNeuralNetworksArtificialNeuralNetworks:IntroductionSingleLayerNeuralNetworksMultipleLayerNeuralNetworksSelf-OrganizingMap(SOM)OtherNeuralNetworkssklearn.neural_network2023/11/4ArtificialNeuralNetworksLesson10-2ArtificialNeuralNetworks:IntroductionThebrainandtheneurons（腦與神經元）NeuronsarethebuildingblocksofthebrainTheirinterconnectivityformstheprogrammingthatallowsustosolvealloureverydaytasksTheyareabletoperformparallelandfaulttolerantcomputationTheoreticalmodelsofhowtheneuronsinthebrainworkandhowtheylearnhavebeendevelopedfromthebeginningofArtificialIntelligenceMostofthesemodelsarereallysimple(butyetpowerful)andhaveaslimresemblancetorealbrainneurons2023/11/4ArtificialNeuralNetworksLesson10-3ArtificialNeuralNetworks:IntroductionAneuronmodel（神經元模型）1943年，[McCullochandPitts,1943]抽象出“M-P神經元模型”,在這個模型中，神經元接收到來自n個其他神經元傳遞過來的輸入信號，這些輸入信號通過帶權重的連接(connection)進行傳遞，神經元接收到的總輸入值將與神經元的閾值進行比較，然后通過“激活函數(shù)”(activationfunction)處理以產生神經元的輸出。2023/11/4ArtificialNeuralNetworksLesson10-4ArtificialNeuralNetworks:Introduction理想中的激活函數(shù)是階躍函數(shù)，它將輸入值映射為輸出值“0”或者“1”，顯然“1”對應于神經元興奮，“0”對應于神經元抑制。然而，階躍函數(shù)具有不連續(xù)、不光滑等不太好的性質，因此實際常用Sigmoid作為激活函數(shù)，它把可能在較大范圍內變化的輸入值擠壓到(0,

1)輸出值范圍內，因此有時也稱為"擠壓函數(shù)"(squashingfunction).2023/11/4ArtificialNeuralNetworksLesson10-5ArtificialNeuralNetworks:IntroductionOrganizationofneurons/Networks，神經元組織/網絡Usuallyneuronsareinterconnectedformingnetworks,therearebasicallytwoarchitecturesFeedforwardnetworks(前饋網絡),neuronsareconnectedonlyinonedirectionRecurrentnetworks（遞歸網絡，或者循環(huán)網絡）,outputscanbeconnectedtotheinputsFeedforwardnetworksareorganizedinlayers,oneconnectedtotheotherSinglelayerneuralnetworks(perceptronnetworks，感知器網絡):inputlayer（輸入層）,outputlayer（輸出層）Multiplelayerneuralnetworks:inputlayer,hiddenlayers（隱層）,outputlayer2023/11/4ArtificialNeuralNetworksLesson10-6ArtificialNeuralNetworks:IntroductionNeuronsaslogicgates（神經元作為邏輯門）InitialresearchinANNdefinedneuronsasfunctionscapableofemulatelogicgates(Thresholdlogicalunits,TLU,閾值邏輯單元)Inputsxi

∈{0,1},weightswi

∈{+1,?1},thresholdw0

∈R,activationfunction?thresholdfunction：g(x)=1ifx≥w0,0otherwiseSetsofneuronscancomputeBooleanfunctionscomposingTLUsthatcomputeOR,ANDandNOTfunctions2023/11/4ArtificialNeuralNetworksLesson10-7ArtificialNeuralNetworks:IntroductionNeuronsaslogicgates（神經元作為邏輯門）

2023/11/4ArtificialNeuralNetworksLesson10-8ArtificialNeuralNetworksArtificialNeuralNetworks:IntroductionSingleLayerNeuralNetworksMultipleLayerNeuralNetworksSelf-OrganizingMap(SOM)OtherNeuralNetworkssklearn.neural_network2023/11/4ArtificialNeuralNetworksLesson10-9SingleLayerNeuralNetworksTheperceptron（感知機）感知機(Perceptron)由兩層神經元組成，輸入層接收外界輸入信號后傳遞給輸出層，輸出層是M-P神經元。2023/11/4ArtificialNeuralNetworksLesson10-10SingleLayerNeuralNetworksTheperceptron（感知機）感知機(Perceptron)由兩層神經元組成，輸入層接收外界輸入信號后傳遞給輸出層，輸出層是M-P神經元。2023/11/4ArtificialNeuralNetworksLesson10-11SingleLayerNeuralNetworksTheperceptron（感知機）Theperceptronlearningrule(感知器學習規(guī)則)感知機學習規(guī)則非常簡單，對訓練樣例（x，y)，若當前感知機的輸出為y’，則感知機權重將這樣調整:wi=wi+?wi?wi=η(y?y’)xi其中η屬于(0,1)為學習率(learningrate)2023/11/4ArtificialNeuralNetworksLesson10-12SingleLayerNeuralNetworksLimitationsoflinearperceptrons(線性感知器的不足)WithlinearperceptronswecanonlyclassifycorrectlylinearlyseparableproblemsThehypothesisspaceisnotpowerfulenoughforrealproblemsExample,theXORfunction:2023/11/4ArtificialNeuralNetworksLesson10-13ArtificialNeuralNetworksArtificialNeuralNetworks:IntroductionSingleLayerNeuralNetworksMultipleLayerNeuralNetworks（多層神經網絡）Self-OrganizingMap(SOM)OtherNeuralNetworkssklearn.neural_network2023/11/4ArtificialNeuralNetworksLesson10-14MultipleLayerNeuralNetworksMultilayerPerceptron要解決非線性可分問題，需考慮使用多層功能神經元，比如對異或問題:2023/11/4ArtificialNeuralNetworksLesson10-15MultipleLayerNeuralNetworksMultilayerPerceptron一般地，多層神經網絡中每層神經元與下層神經元全互連，神經元之間不存在同層連接，也不存在跨層連接，這樣的神經網絡結構通常稱為“多層前饋神經網絡”(multi-layerfeedforwardneuralnetworks)。其中輸入層神經元接收外界輸入，隱層與輸出層神經元對信號進行加工，最終結果由輸出層神經元輸出。換言之，輸入層神經元僅是接受輸入，不進行函數(shù)處理，隱層與輸出層包含功能神經元。2023/11/4ArtificialNeuralNetworksLesson10-16MultipleLayerNeuralNetworksLearningMultilayerNetworks（多層網絡的學習）InthecaseofsinglelayernetworkstheparameterstolearnaretheweightsofonlyonelayerInthemultilayercasewehaveasetofparametersforeachlayerandeachlayerisfullyconnectedtothenextlayerForsinglelayernetworkswhenwehavemultipleoutputswecanlearneachoutputseparatelyInthecaseofmultilayernetworksthedifferentoutputsareinterconnected2023/11/4ArtificialNeuralNetworksLesson10-17MultipleLayerNeuralNetworksBackPropagation(反向傳播)–IntuitivelyTheerrorofthesinglelayerperceptronlinksdirectlythetransformationoftheinputintheoutputInthecaseofmultiplelayerseachlayerhasitsownerrorTheerroroftheoutputlayerisdirectlytheerrorcomputedfromthetruevaluesTheerrorforthehiddenlayersismoredifficulttodefineTheideaistousetheerrorofthenextlayertoinfluencetheweightsofthepreviouslayerWearepropagatingbackwardstheoutputerror,hencethenameofBackPropagation(BP)2023/11/4ArtificialNeuralNetworksLesson10-18MultipleLayerNeuralNetworksBackPropagation(反向傳播)–IntuitivelyTheideaistousetheerrorofthenextlayertoinfluencetheweightsofthepreviouslayer2023/11/4ArtificialNeuralNetworksLesson10-19MultipleLayerNeuralNetworksBackpropagation–Algorithm(BP算法）ThebackpropagationalgorithmworksintwostepsPropagatetheexamplesthroughthenetworktoobtaintheoutput(forwardpropagation)Propagatetheoutputerrorlayerbylayerupdatingtheweightsoftheneurons(backpropagation)2023/11/4ArtificialNeuralNetworksLesson10-20MultipleLayerNeuralNetworksBackpropagation–Algorithm(BP算法）ThebackpropagationalgorithmworksintwostepsPropagatetheexamplesthroughthenetworktoobtaintheoutput(forwardpropagation)Propagatetheoutputerrorlayerbylayerupdatingtheweightsoftheneurons(backpropagation)BP算法基于梯度下降(gradientdescent)策略，以目標的負梯度方向對參數(shù)進行調整。Sigmoid函數(shù)2023/11/4ArtificialNeuralNetworksLesson10-21MultipleLayerNeuralNetworks多層前饋神經網絡學習的目標是均方誤差，對(xk,yk)2023/11/4ArtificialNeuralNetworksLesson10-22MultipleLayerNeuralNetworksBP算法基本流程2023/11/4ArtificialNeuralNetworksLesson10-23輸入:訓練集D={(xk,yk)},k=l…m;學習率η.過程:1:在(0,

1)范固內隨機初始化網絡中所有連接權和閾值2:repeat3:forall(xk

,yk)inDdo4:

根據(jù)當前參數(shù)計算當前樣本的輸出5:

計算輸出層神經元的梯度項;6:

計算隱層神經元的梯度項;7:

更新連接權whj

和vih，更新輸出層閾值θj和隱層閾值γh8:endfor9:until達到停止條件輸出:連接權與閾值確定的多層前饋神經網絡ArtificialNeuralNetworksArtificialNeuralNetworks:IntroductionSingleLayerNeuralNetworksMultipleLayerNeuralNetworksSelf-OrganizingMap(SOM)，自組織映射OtherNeuralNetworkssklearn.neural_network2023/11/4ArtificialNeuralNetworksLesson10-24Self-OrganizingMapTheSelf-OrganizingMapisoneofthemostpopularneuralnetworkmodels.Itbelongstothecategoryofcompetitivelearningnetworks（競爭學習型網絡）.TheSelf-OrganizingMapisbasedonunsupervisedlearning（無監(jiān)督學習）,whichmeansthatnohumaninterventionisneededduringthelearningandthatlittleneedstobeknownaboutthecharacteristicsoftheinputdata.Wecould,forexample,usetheSOMforclusteringdatawithoutknowingtheclassmembershipsoftheinputdata.TheSOMcanbeusedtodetectfeaturesinherenttotheproblemandthushasalsobeencalledSOFM,theSelf-OrganizingFeatureMap.2023/11/4ArtificialNeuralNetworksLesson10-25SOM典型結構SOM網絡是一種競爭學習型的無監(jiān)督神經網絡，將高維空間中相似的樣本點映射到網絡輸出層中的鄰近神經元。典型SOM網絡共有兩層，輸入層模擬感知外界輸入信息的視網膜，輸出層模擬做出響應的大腦皮層。2023/11/4ArtificialNeuralNetworksLesson10-26SOM網絡學習算法訓練過程簡述：在接收到訓練樣本后，每個輸出層神經元會計算該樣本與自身攜帶的權向量之間的距離，距離最近的神經元成為競爭獲勝者，稱為最佳匹配單元。然后最佳匹配單元及其鄰近的神經元的權向量將被調整，以使得這些權向量與當前輸入樣本的距離縮小。這個過程不斷迭代，直至收斂。輸入層：假設一個輸入樣本為x=[x1,x2,x3,…,xn]，是一個n維向量，則輸入層神經元個數(shù)為n個。輸出層（競爭層）：通常輸出層的神經元以矩陣等拓撲結構排列在二維空間中，每個神經元都有一個權值向量。假設輸出層有m個神經元，則有m個權值向量，Wi=[wi1,wi2,....,win],1<=i<=m。2023/11/4ArtificialNeuralNetworksLesson10-27SOM網絡學習算法流程1.初始化:權值使用較小的隨機值進行初始化，并對輸入向量和權值做歸一化處理X‘=X/||X||，

ω’i=ωi/||ωi||，1<=i<=m，||X||和||ωi||分別為輸入的樣本向量和權值向量的歐幾里得范數(shù)。2.將樣本輸入網絡:樣本與權值向量做點積，點積值最大的輸出神經元贏得競爭，（或者計算樣本與權值向量的歐幾里得距離，距離最小的神經元贏得競爭）記為獲勝神經元。3.更新權值:對獲勝的神經元拓撲鄰域內的神經元進行更新,并對學習后的權值重新歸一化。4.更新學習速率η及拓撲鄰域N，N隨時間增大距離變小。5.判斷是否收斂。如果學習率η<=ηmin或達到預設的迭代次數(shù)，結束算法，否則，返回第2步。2023/11/4ArtificialNeuralNetworksLesson10-28SOM網絡學習算法流程1.初始化權值，并對輸入向量和權值做歸一化處理2.將樣本輸入網絡，尋找獲勝神經元。3.更新權值：對獲勝的神經元拓撲鄰域內的神經元進行更新,并對學習后的權值重新歸一化。

ω(t+1)=ω(t)+η(t，n)*(x-ω(t))

η(t，n):η為學習率，是關于訓練時間t和與獲勝神經元的拓撲距離n的函數(shù)。

η(t，n)=η(t)e-n4.更新學習速率η及拓撲鄰域N，N隨時間增大距離變小。5.判斷是否收斂。如果學習率η<=ηmin或達到預設的迭代次數(shù)，結束算法，否則，返回第2步。2023/11/4ArtificialNeuralNetworksLesson10-29SOM網絡學習算法流程1.初始化權值，并對輸入向量和權值做歸一化處理2.將樣本輸入網絡，尋找獲勝神經元。3.更新權值：對獲勝的神經元拓撲鄰域內的神經元進行更新,并對學習后的權值重新歸一化。

ω(t+1)=ω(t)+η(t，n)*(x-ω(t))

η(t，n):η為學習率，是關于訓練時間t和與獲勝神經元的拓撲距離n的函數(shù)。

η(t，n)=η(t)e-n4.更新學習速率η及拓撲鄰域N，N隨時間增大距離變小。5.判斷是否收斂。如果學習率η<=ηmin或達到預設的迭代次數(shù)，結束算法，否則，返回第2步。2023/11/4ArtificialNeuralNetworksLesson10-30ArtificialNeuralNetworksArtificialNeuralNetworks:IntroductionSingleLayerNeuralNetworksMultipleLayerNeuralNetworksSelf-OrganizingMap(SOM)，自組織映射OtherNeuralNetworkssklearn.neural_network2023/11/4ArtificialNeuralNetworksLesson10-31OtherNeuralNetworksRBF網絡RBF(RadialBasisFunction，徑向基函數(shù))網絡是一種單隱層前饋神經網絡，它使用徑向基函數(shù)作為隱層神經元激活函數(shù)，而輸出層則是對隱層神經元輸出的線性組合.假定輸入為d維向量x，輸出為實值，

則RBF網絡可表示為：常用的高斯徑向基函數(shù)形如：2023/11/4ArtificialNeuralNetworksLesson10-32OtherNeuralNetworksRBF網絡受限玻爾茲曼機，RestrictedBoltzmannmachines(RBM)RBM是由Hinton和Sejnowski于1986年提出的一種生成式隨機神經網絡(generativestochasticneuralnetwork)，該網絡由一些可見單元(visibleunit，對應可見變量，亦即數(shù)據(jù)樣本)和一些隱藏單元(hiddenunit，對應隱藏變量)構成，可見變量和隱藏變量都是二元變量，亦即其狀態(tài)取{0,1}。整個網絡是一個二部圖，只有可見單元和隱藏單元之間才會存在邊，可見單元之間以及隱藏單元之間都不會有邊連接2023/11/4ArtificialNeuralNetworksLesson10-33OtherNeuralNetworksRBF網絡受限玻爾茲曼機RBMareunsupervisednonlinearfeaturelearnersbasedonaprobabilisticmodel.ThefeaturesextractedbyanRBMorahierarchyofRBMsoftengivegoodresultswhenfedintoalinearclassifiersuchasalinearSVMoraperceptronRBM中的神經元都是布爾型的,即只能取0、1兩種狀態(tài).狀態(tài)1表示激活,狀態(tài)0表示抑制.令向量s

屬于{0,l}n

表幣n個神經元的狀態(tài)，ωij

表示神經元i與j

之間的連接權，θi也表示神經元i

的閾值，則狀態(tài)向量s

所對應的Boltzmann機能量定義為：2023/11/4ArtificialNeuralNetworksLesson10-34ArtificialNeuralNetworksArtificialNeuralNetworks:IntroductionSingleLayerNeuralNetworksMultip