Shallow Neural Network

Neural Network Representation

• 一個 nn 會有 input, hidden, output layer

  • 因為 training set 不包含 hidden layer 的資訊所以得名

  • 在說明 layer 數時，通常不會包含 input layer

• Notation $a$

  • 所有 superscript $[i]$ 用來表示第 $i$ layer

  • 第一層的 $a$ 就是 $a^{[1]}_1, a^{[1]}_2, a^{[1]}_3, a^{[1]}_4$

  • input $x$ 會用 $a^{[0]}$ 表示

• Notation $w, b$

  • 除了 input 以外，每一層都會有 $w, b$ 這些 parameters

  • parameter $w$ 的 dimension 會是 current layer nodes by parent layer nodes

    • $w^{[1]} = (4, 3)$

  • parameter $b$ 的 dimension 會是 current layer nodes by 1\

    • $b^{[1]} = (4, 1)$

Computing a Neural Network's Output

• 一個 neuron 裡的運算可以拆成 z 和 a

• 一個 4 unit 的 layer 就要算四次 z 和四次 a

• z 和 a 的運算都可以向量化

• $z^{[1]} = (w^{[1]T})X = \begin{bmatrix}w_1^{[1]T}\\w_2^{[1]T}\\w_3^{[1]T}\\w_4^{[1]T}\end{bmatrix}\begin{bmatrix}x_1\\x_2\\x_3\end{bmatrix} + b$

  • 裡面的 $w^{[1]}$ 就是一個 4 * 3 的矩陣

• $a^{[1]} = \sigma(z^{[1]})$

• 另外我們可以用 $a^{[0]}$ 來表示 $X$

• 所以計算 $\hat{y}$ (forward propogation) 的運算如下

$\begin{aligned}z^{[1]} &= W^{[1]}a^{[0]}+b^{[1]} \\a^{[1]} &= \sigma(z^{[1]}) \\ z^{[2]} &= W^{[2]}a^{[1]}+b^{[2]} \\a^{[2]} &= \sigma(z^{[2]})\end{aligned}$

Vectorizing Across Multiple Examples

• 我們有 1 到 m 個 training examples

• 若用 for-loops 來計算每一個 example 對應的 $\hat{y}$

  • 裡面的 ${a^[2](1)}$ 代表第 1 筆 example 的 layer 2 的 a 向量

    $$\begin{aligned} &x^{(1)} \rightarrow a^{[2](1)} = \hat{y}^{(1)} \\ &x^{(2)} \rightarrow a^{[2](2)} = \hat{y}^{(2)} \\ \vdots \\ &x^{(m)} \rightarrow a^{[2](m)} = \hat{y}^{(m)} \end{aligned}$$
• 我們的目標其實就是用 nx * m 的 $X$ 矩陣

• 來算出 1 m 的 $Z$ 矩陣，再求出同樣為 1 m 的 $A$ 矩陣

• 橫軸的 m 代表有 m 筆 examples

• 縱軸的 n 代表有 n 筆 hidden units

• 整個 vectorize 的 forward propogation 過程

$$\begin{aligned} Z^{[1]} &= W^{[1]}X + b^{[1]} \\ A^{[1]} &= \sigma(Z^{[1]}) \\ Z^{[2]} &= W^{[2]}A^{[1]} + b^{[2]} \\ A^{[2]} &= \sigma(Z^{[2]}) \end{aligned}$$

Activation Functions

• Activation function 會影響到 gradient descent 的速度

  • 例如 sigmoid 在大於或小於一定數字後 slope 就會接近 0

  • 所以 sigmoid 並不是最好的 activation function

  • 但 sigmoid 可以用於 logistic regression 的最後一層 output (0, 1)

• tanh 是一個可以取代 sigmoid 的選擇

  • 他就是 sigmoid 的位移，區間變成 [-1, 1]

  • 因為平均值變為 0 的關係，有集中 data 的效果

  • $\frac{e^z-e^{-z}}{e^z+e^{-z}}$

  • 

• ReLU 是現在所有人公認最好的 activation function

  • 如果你不知道該用什麼在 hidden layer，用 ReLU 就對了

  • 他解決了 sigmoid 在一些數字越大時，slope 越小的問題

  • 雖然在負數時，導數皆為 0，但是是沒問題的

  • 

• Leaky ReLU 是 ReLU 的變形

  • 修正了負數導數為 0 的問題

  • 但一般來說，使用 ReLU 就夠了

  • 

Why Non-linear Activation Functions

• 若你把某一層 hidden layer 的 activation function 全部取消掉

• 輸入會永遠等於輸出，這稱為 linear activation function

• 若使用 linear activation function 則該層的運算會跟沒算一樣

  • hidden layer 有跟沒有一樣

• 甚至在所有 hidden 使用 linear，而最後一層使用 sigmoid 時

  • 算出來的效果比 logistic regression 還要差

Derivatives of Activation Functions

• 為了能夠計算 gradient descent (backpropogation)，需要知道每個 activation function 的導數為何

• Sigmoid 為 $g(z) = \frac{1}{1+e^{-z}}$

  • 他的導數如下，需要用到一些微分技巧

    • $\begin{aligned}\frac{d}{dz}g(z) &= \frac{1}{1+e^{-z}}(1-\frac{1}{1+e^{-z}})\\\\g'(z)&=g(z)(1-g(z))\end{aligned}$

• Tanh 為 $g(z) = \frac{e^z-e^{-z}}{e^z+e^{-z}}$

  • 他的導數如下，一樣需要用到微分技巧

    • $g'(z) = 1 - (\tanh(z))^2$

  • 在 nn 中我們會以 $a = g(z)$ 表示，所以微分也可寫成以下

    • $g'(z) = 1 - a^2$

• ReLU 為 $g(z) = \max(0, z)$

  • 他的導數如下

    • $g'(z) = \left\{\begin{matrix}0&\text{if } z < 0\\1 &\text{if }z \ge 0\end{matrix}\right.$

    • 當 $z = 0$ 時雖然為 undefined，但在電腦中可以自行決定要等於 0 或 1

    • 其實沒有太大影響

• Leaky ReLU 為 $g(z) = \max(0.01z, z)$

  • 他的導數如下

    • $g'(z) = \left\{\begin{matrix}0.01&\text{if } z < 0\\1 &\text{if }z \ge 0\end{matrix}\right.$

Gradient Descent for Neural Networks

• 假設有一個 2-layer nn

• input, hidden, output units 的數量，分別為 $n^{[0]}, n^{[1]}, n^{[2]}$

• Parameters 有 $w^{[1]}, b^{[1]}, w^{[2]}, b^{[2]}$

  • $w^{[1]} = n^{[1]} \times n^{[0]}$

  • $b^{[1]} = n^{[1]} \times 1$

  • $w^{[2]} = n^{[2]} \times n^{[1]}$

  • $b^{[2]} = n^{[2]} \times 1$

• 然後 Cost Function 為 $\frac{1}{m}\sum_{i=1}^n\mathcal{L}(\hat{y}, y)$

• 所以 Gradient Descent 大致上運作如下

$$\begin{aligned} \text{Repeat : } &\\ &\text{Compute predicts } (\hat{y}^{(i)}, i = 1 \cdots m)\\ &dw^{[1]} = \frac{\partial J}{\partial w^{[1]}}, db^{[1]} = \frac{\partial J}{\partial b^{[1]}} \\ &w^{[1]} = w^{[1]} - \alpha dw^{[1]}, b^{[1]} = b^{[1]} - \alpha db^{[1]}\\ &dw^{[2]} = \frac{\partial J}{\partial w^{[2]}}, db^{[2]} = \frac{\partial J}{\partial b^{[2]}} \\ &w^{[2]} = w^{[2]} - \alpha dw^{[2]}, b^{[2]} = b^{[2]} - \alpha db^{[2]} \end{aligned}$$

• 接著我們要深入一點，在公式中解出 $dw^{[1]} = \frac{\partial J}{\partial w^{[1]}}$ 這些導數

• 所以以下是一個已經 vectorized 的 backpropogation formula

$$\begin{aligned} dZ^{[2]} &= A^{[2]} - Y (\text{sigmoid})&& Y = [y^{(1)} \cdots y^{(m)}]\\ dW^{[2]} &= \frac{1}{m}dZ^{[2]}\cdot A^{[1]T}\\ db^{[2]} &= \frac{1}{m}\text{np.sum}(dZ^{[2]},\text{axis=1, keepdims=True})\\ dZ^{[1]} &= W^{[2]T} dZ^{[2]} \cdot * g^{[1]'}(Z^{[1]})\\ dW^{[1]} &= \frac{1}{m}dZ^{[1]}\cdot X^T\\ db^{[1]} &= \frac{1}{m}\text{np.sum}(dZ^{[1]},\text{axis=1, keepdims=True}) \end{aligned}$$

• 第四行的 $dZ^{[1]} = W^{[2]T} dZ^{[2]} \cdot * g^{[1]'}(Z^{[1]})$ 是怎麼來的

• 我們可以寫成 chain rule

$$\frac{\partial L}{\partial Z^{[1]}}= \color{red}{\frac{\partial L}{\partial A^{[2]}}\cdot \frac{\partial A^{[2]}}{\partial Z^{[2]}}}\cdot \color{green}{\frac{\partial Z^{[2]}}{\partial A^{[1]}}\cdot} \color{blue}{\frac{\partial A^{[1]}}{\partial Z^{[1]}}}$$

• 紅色部份就是 $\color{red}{\frac{dL}{dZ^{[2]}} = dZ^{[2]}}$

• 綠色部份就是 $Z^{[2]} \text{ at } A^{[1]}$ 的導數，等於 $\color{green}{W^{[2]}}$

• 最後藍色部份是 $A^{[1]} \text{ at } Z^{[1]}$ 的導數，等於 $\color{blue}{g^{[1]'}(Z^{[1]})}$

See the full derivatives here:

• https://medium.com/@pdquant/all-the-backpropagation-derivatives-d5275f727f60

Random Initialization

• 在 machine learning 中提過，若 $weights$ 初始全為 0

  • 會讓整個 layer 全部都做一樣的事情

• 所以在初始化 nn 的 weights 時，會使用隨機取值

• b 可以初始為 0 沒關係

• 以下是用 python 進行 random initialization 的動作

w1 = np.random.randn(2, 2) * 0.01
b1 = np.zeros(2, 1)
w2 = ...
b2 = ...
...