AI-人工神经网络 | Kelin's blog

前言

入门教程参考

最近在学习大模型相关的知识，很多教程都会提到人工神经网络。读研时总是听到训练神经网络之类的词，那这个训练，到底是训练什么呢？

我们现在假设要训练的模型是一个函数，首先考虑，这个函数的作用是什么？这个函数的输入是什么？输出是什么？

人工神经网络可以用来做分类、预测、生成等任务，现在假设我们的函数是一个分类函数，那么输入就是一个数据，输出就是这个数据属于哪个类别。

所以，训练神经网络，就是训练这个函数，让这个函数能够准确地对数据进行分类。

所谓训练，有点太拟人化了，听起来比较抽象，其实就是调整函数的参数，使得函数的输出尽可能接近真实值。

参数又是什么？这里先介绍一下神经网络的基本结构。

人工神经网络的基本结构

人工神经网络是一种模拟人脑神经元网络的计算模型，它由多个神经元（Neuron）组成，每个神经元接收多个输入，经过加权和激活函数处理后，输出一个值。

神经元（Neuron）

图来源于维基百科

一个神经元的结构可以分为三个主要部分：输入、处理单元、输出。如果用前文的函数来描述，每一个神经元就是一个函数，这个函数的输入就是一个特征向量和一个权重向量，这个向量经过某种计算后，输出一个值（一个神经元的输出通常是一个标量）。

经过了什么处理呢？

对于单个神经元，其数学表达可以写为：

y = activation (w_{1} \cdot x_{1} + w_{2} \cdot x_{2} + \dots + w_{n} \cdot x_{n} + b)

具体来看：

1. 输入层（Input Layer）：

神经元的输入来自前一层的神经元，或者在网络的第一层，输入是来自外部的数据。
输入信号（即特征）通过权重(Weights)传递到神经元。每个输入信号都有一个权重值，权重表示输入的重要性。

示例：如果我们有三个输入特征 $(a_{1}, a_{2}, a_{3})$ ，每个输入都有一个对应的权重 $(w_{1}, w_{2}, w_{3})$ 。

z = w_{1} \cdot a_{1} + w_{2} \cdot a_{2} + w_{3} \cdot a_{3} + b

其中， $b$ 是偏置项。

2. 加权求和（Weighted Sum）：

输入通过权重后，神经元会将这些加权输入进行加和，再加上一个偏置（Bias）项。
偏置用于调整激活函数的输出，让神经元的输出更加灵活，帮助网络更好地拟合数据。

数学表示：

z = \sum (w_{i} \cdot x_{i}) + b

其中， $z$ 是加权求和的结果， $w_{i}$ 是权重， $x_{i}$ 是输入， $b$ 是偏置。

3. 激活函数（Activation Function）：

加权求和后的结果 $z$ 会通过一个激活函数，以增加神经元的非线性能力。
激活函数的目的是引入非线性，以便神经网络能够学习复杂的模式。常见的激活函数有 Sigmoid、ReLU、Tanh 等。

4. 输出（Output）：

经过激活函数处理后的输出 $t$ 是神经元的最终结果，这个结果可以作为下一层神经元的输入，或者作为最终输出（例如分类结果或回归值）。
在输出层，输出值可以是一个分类标签（如Softmax输出的类别）或一个回归值（如预测的数值）。

我们现在已经知道单个神经元（函数）做了什么工作，那么，为什么要经过加权求和、偏置又是什么、为什么要有激活函数？

加权求和和偏置

1. 加权求和：

加权求和是为了给不同的输入信号赋予不同的重要性。
通过调整权重，神经元可以学习到不同特征的重要性，从而更好地拟合数据。

比如说，判断一个人是男人还是女人，我们可以用身高、体重、声音等特征。但是，不同的特征对性别的判断重要性是不同的，比如身高可能比声音更重要，所以我们需要通过权重来调整这些特征的重要性。

2. 偏置：

偏置的作用是让神经网络的输出有更多的灵活性，即使输入的值为零，偏置也能确保神经元的激活函数能产生非零的输出。这有助于模型更好地拟合数据。

为什么要有偏置：如果没有偏置，神经网络的输出完全依赖于输入数据。如果输入为零，输出会总是零，这样模型的表达能力受到限制。通过加入偏置，神经网络可以更好地学习复杂的模式和关系。

激活函数

目的：激活函数的主要作用是引入非线性，从而让神经网络能够处理复杂的非线性问题。

没有激活函数，神经网络只会进行线性变换，加权求和的输出只是输入的线性组合。线性模型的能力有限，无法拟合复杂的非线性数据。因此，激活函数通过对加权和进行非线性处理，使网络可以处理高度复杂的任务，如图像识别、自然语言处理等。

1. ReLU（Rectified Linear Unit）：

ReLU 是最简单的激活函数之一。它的数学表达式为：

ReLU (z) = max (0, z)

当 $z > 0$ ，输出 $z$ 。
当 $z \leq 0$ ，输出 0。

2. Sigmoid：

Sigmoid 是一种常用的激活函数，尤其适用于二分类任务。它的数学表达式为：

σ (z) = \frac{1}{1 + e^{- z}}

该函数将输入 $z$ 映射到区间 (0, 1) 之间。
当 $z \to \infty$ ，Sigmoid 函数的输出接近 1。
当 $z \to - \infty$ ，输出接近 0。

3. Tanh（Hyperbolic Tangent）：

Tanh 是另一个常用的激活函数，它将输入映射到 -1 到 1 之间。其数学表达式为：

\tanh (z) = \frac{e^{z} - e^{- z}}{e^{z} + e^{- z}}

该函数将 $z$ 映射到区间 (-1, 1)。
当 $z \to \infty$ ，Tanh 的输出接近 1。
当 $z \to - \infty$ ，输出接近 -1。

这三个激活函数的行为：

ReLU：输出非负的值，有助于解决梯度消失问题，但可能会导致“死亡ReLU”问题（即神经元在某些区域永远输出0）。
Sigmoid：适用于二分类，但在极值区域梯度容易消失。
Tanh：输出范围为 (-1, 1)，通常比 Sigmoid 更有效，但仍可能存在梯度消失问题。

偏置让模型产生非零输出，激活函数引入非线性，这两个因素使得神经网络能够学习复杂的模式和关系。那什么是线性模型，什么是非线性模型呢？

线性模型和非线性模型

我们先从“线性模型”的概念开始，然后再解释为什么它的能力有限，以及它为什么不能拟合复杂的非线性数据。

1. 线性模型是什么？

线性模型是一种简单的数学模型，它通过输入变量（特征）的线性组合来进行预测。
公式形式为： $y = w_{1} \cdot x_{1} + w_{2} \cdot x_{2} + \dots + w_{n} \cdot x_{n} + b$ 其中：
- $y$ 是模型的输出（预测结果），
- $x_{1}, x_{2}, . . ., x_{n}$ 是输入特征，
- $w_{1}, w_{2}, . . ., w_{n}$ 是每个特征的权重，
- $b$ 是偏置项。

这个公式表明输出 $y$ 是输入特征的加权求和。这种模型在数据的所有关系都是线性时，表现得很好。

2. 线性模型的局限性

线性模型可以很好地处理简单的任务，比如预测身高和体重的关系，如果这两个变量之间的关系是线性的。
线性关系意味着，输入特征的变化会导致输出以固定比例变化（即没有复杂的交互或非线性效应）。

例如，如果我们在二维平面上绘制一条直线，直线可以通过简单的线性方程来表示，适用于处理两个变量之间的简单比例关系。但在现实世界中，很多问题不是这样简单的线性关系。

3. 什么是非线性数据？

非线性数据是指输入与输出之间的关系无法用简单的直线表示。它可能是弯曲的、复杂的、有多个转折点，或者数据之间存在高度的交互。
比如，如果想预测一个人的年收入，可能会涉及教育背景、工作经验、职位、技能等多个复杂因素，它们之间的关系是高度复杂的，这样的数据就是非线性的。

例如，如果我们用简单的线性模型来处理这个问题，它只能画出一条直线，但现实中这些因素的关系是复杂而非线性的，可能是一个波动的曲线。线性模型无法正确表达这种复杂的关系。

4. 为什么线性模型不能拟合复杂的非线性数据？

线性模型的核心在于它只会根据输入特征进行简单的加权和。因此，它无法捕捉到变量之间复杂的交互关系或弯曲的趋势。
举个简单的例子，假设要预测物体在抛出后的运动轨迹。物体的轨迹是抛物线（非线性），如果你用线性模型去拟合这个轨迹，结果只能是一条直线，完全无法准确描述抛物线的运动。
现实中的大多数数据，比如图像、语音、自然语言等，往往存在复杂的非线性关系，输入特征之间的交互也很复杂，线性模型无法有效捕捉这些关系。

5. 如何解决这个问题？

为了解决这个问题，我们需要引入非线性模型。神经网络就是一种非常强大的非线性模型，它通过激活函数（如 ReLU、Sigmoid）引入非线性，使得神经网络能够处理和拟合复杂的非线性数据。
每一层神经元通过权重和偏置计算出加权和，并通过激活函数引入非线性，逐层递进地学习输入数据的复杂模式，从而对复杂任务做出准确预测。

用大白话说就是线性模型是拟合为直线的，非线性模型可以拟合为曲线的。

那么，为什么加入激活函数后，神经网络就能处理非线性数据了呢？

当我们给神经网络加入激活函数后，它就能够处理复杂的非线性数据，原因很简单：

打破线性限制：如果没有激活函数，神经网络每一层的计算都是线性的（像画直线一样），无论堆叠多少层，最终的输出也只是线性组合，无法处理弯曲、复杂的模式。

激活函数引入变化：激活函数就像给网络“加了个弯”，不再只产生直线关系。比如 ReLU 会把负数变成 0，而正数保持不变，这种变化让网络能处理更复杂的情况，不再是简单的线性相加。层层递进：每一层加上激活函数后，输出的结果会经过更多复杂的非线性处理。最终，网络能学会从数据中找到隐藏的复杂关系，甚至是一些人类看不到的特征。简单来说，激活函数让网络能够画“曲线”，而不是只能画“直线”，这就是它能处理非线性数据的原因。

假设我们有一个简单的两层神经网络：

第一层：进行线性变换 $(z_{1} = W_{1} x + b_{1})$
激活函数：将 $(z_{1})$ 传递给激活函数 $(a (z_{1}))$ ，得到新的输出 $(a_{1} = a (z_{1}))$ 。
第二层：再次进行线性变换 $(z_{2} = W_{2} a_{1} + b_{2})$

如果没有激活函数，那么最终输出 $(y = z_{2})$ 将依然是输入 $(x)$ 的线性组合。但是，由于引入了激活函数 $(a (\cdot))$ ，整个网络就变成了 $(y = W_{2} a (W_{1} x + b_{1}) + b_{2})$ ，这不再是简单的线性关系，而是依赖于激活函数 $(a (\cdot))$ 的非线性形式。

前面提到：输出非负的值，有助于解决梯度消失问题。

那么，梯度是什么？梯度消失又是什么？

梯度和梯度消失

我们先从梯度的概念开始，接着解释什么是梯度消失。

1. 什么是梯度？

在神经网络中，梯度指的是损失函数（模型预测的误差）对模型参数（权重和偏置）的导数。
梯度告诉我们如何调整权重才能让损失减少，也就是说，它指示了优化方向。
比如，假设我们在爬山，梯度就像告诉我们当前所处位置的坡度和方向，帮助我们找到“山顶”（即最小的损失值）。

2. 梯度消失是什么？

梯度消失是指当神经网络的某些层的梯度变得非常小时，网络更新参数的速度变得非常慢，甚至无法继续学习。
在训练深层神经网络时，随着误差从输出层逐层向前传播回输入层，梯度会逐渐变小。尤其是当使用像 Sigmoid 或 Tanh 这样的激活函数时，它们的导数很容易变得接近 0，导致梯度消失。

3. 为什么梯度消失是个问题？

梯度消失意味着，神经网络前面几层的权重几乎没有更新。这会导致这些层的学习速度非常慢，网络无法有效学习数据中的复杂特征。
如果梯度消失，模型在训练过程中就会变得“卡住”，无法通过反向传播有效优化权重，这样模型的表现也就无法提高。

4. 为什么输出非负值可以帮助解决梯度消失？

ReLU激活函数输出非负值（即当输入大于 0 时，输出等于输入；否则输出 0）。ReLU 的导数是常数 1（对于正数部分），不会像 Sigmoid 或 Tanh 那样迅速衰减为接近 0。这意味着通过 ReLU，网络的梯度不容易消失，前面几层的学习速度也能得到保证。
换句话说，输出非负的值，特别是通过 ReLU 这样的激活函数，可以避免导数过小，从而缓解梯度消失问题。

反向传播

反向传播（Backpropagation，简称BP）是训练人工神经网络的一种核心算法，它基于梯度下降法，通过计算损失函数关于权重的梯度来更新权重，以最小化损失函数。这个过程可以分为两个主要阶段：前向传播和反向传播。下面将详细介绍这两个阶段，并解释它们如何协同工作以优化神经网络。

前向传播

在前向传播过程中，输入数据从网络的一端传入，依次经过每一层中的各个神经元，直到最终输出预测结果。每一步中，每个神经元接收到来自上一层的所有连接的加权输入之和，再加上一个偏置项，然后应用激活函数产生该神经元的输出值。这一系列操作构成了所谓的“前馈”过程。

具体来说，假设我们有一个简单的三层神经网络（包括输入层、隐藏层和输出层），对于给定的输入样本 $(x)$ ，我们首先计算隐藏层每个神经元的线性组合：

n e t (h_{j}) = \sum_{i} w_{i j} x_{i} + b_{j}

其中， $(w_{i j})$ 表示从输入层第 $(i)$ 个节点到隐藏层第 $(j)$ 个节点之间的权重， $(b_{j})$ 是隐藏层第 $(j)$ 个节点的偏置。接着，我们将上述线性组合传递给激活函数 $(f)$ 得到隐藏层各神经元的实际输出：

o u t (h_{j}) = f (n e t (h_{j}))

类似地，我们可以计算输出层每个神经元的输出值。当所有计算完成后，我们就得到了整个网络对当前输入样本的预测结果。

反向传播

一旦完成了前向传播并获得了预测结果，接下来就是比较预测值与真实标签之间的差异，即计算损失函数 $E$ 。

为了实现这一点，我们必须找出哪些地方出了问题，并据此调整网络中的参数。这就是为什么我们要“反向”地从输出层开始，逐步向前追溯每一层的影响，直到输入层为止。在每一步中，我们都想知道如果稍微改变一点某个权重或偏置，会对最终的误差有多大影响。这实际上就是要计算误差相对于各个参数的导数（也叫做梯度）。

对于输出层而言，误差信号可以直接根据损失函数定义计算得出。例如，在平方误差的情况下：

δ_{k} = \frac{\partial E}{\partial o u t (o_{k})} = - (t_{k} - o u t (o_{k}))

这里， $(t_{k})$ 代表目标输出，而 $(o u t (o_{k}))$ 是实际输出。对于隐藏层，则需要考虑来自后续层的影响，因此其误差信号为：

δ_{j} = f^{'} (n e t (h_{j})) \sum_{k} w_{k j} δ_{k}

这里， $f^{'}$ 表示激活函数的导数， $\sum_{k} w_{k j} δ_{k}$ 则是从输出层回传过来的误差贡献。有了这些信息后，我们可以计算出每个权重的具体梯度：

\frac{\partial E}{\partial w_{i j}} = o u t (x_{i}) δ_{j}

最后，使用某种形式的学习率 $η$ 来控制更新幅度，并据此调整相应的权重：

w_{i j} := w_{i j} - η \frac{\partial E}{\partial w_{i j}}

重复以上步骤直至遍历完所有训练样本，完成一次完整的迭代（epoch）。随着迭代次数增多，模型逐渐学会更准确地映射输入到期望输出。

为什么通过计算误差相对于各个权重的梯度，就可以了解到不同因素各自贡献了多少误差？

要理解为什么通过计算误差相对于各个权重的梯度可以了解到不同因素各自贡献了多少误差，我们需要从数学的角度出发，结合神经网络的工作原理来探讨这个问题。简单来说，梯度反映了损失函数（即误差）对模型参数（如权重和偏置）变化的敏感度。当我们计算出这些梯度时，实际上是在衡量每个参数对于最终预测结果的影响程度。

梯度的意义

在神经网络中，每个连接都有一个关联的权重，它决定了前一层输出值对该层输入的重要性。当我们将输入数据送入网络，并经过多层处理后得到输出时，这个输出与真实标签之间的差异构成了误差。为了最小化这个误差，我们需要知道调整哪些权重会最有效地降低误差。这就是梯度的作用所在——它告诉我们如果稍微改变某个权重，会导致误差发生怎样的变化。

具体而言，梯度是一个向量，它的每个分量对应于损失函数关于特定权重的偏导数。例如，如果我们有一个简单的线性回归模型 $y = w x + b$ ，其中 $w$ 是权重， $b$ 是偏置，而 $x$ 是输入特征。那么，对于给定的一组训练样本 $(x_{i}, y_{i})$ ，我们可以定义一个损失函数 $E (w, b)$ ，用于衡量预测值 ${\hat{y}}_{i} = w x_{i} + b$ 与真实值 $y_{i}$ 之间的差距。此时，权重 $w$ 的梯度就是损失函数对 $w$ 的变化率：

\frac{\partial E}{\partial w} = lim_{h \to 0} \frac{E (w + h, b) - E (w, b)}{h}

这意味着，如果我们增加或减少一点权重 $w$ ，预期误差将如何变化。类似地，我们也可以计算偏置 $b$ 的梯度。通过这种方式，我们可以确定哪些参数对于当前误差负有更大的责任，并据此进行相应的调整。

链式法则的应用

然而，在实际应用中，神经网络往往包含多个隐藏层，这就使得直接计算每个权重的梯度变得复杂起来。幸运的是，微积分中的链式法则提供了一个解决方案。根据链式法则，复合函数的导数等于内部函数导数乘以外部函数导数。因此，我们可以沿着信号流动的方向，逐步求得每一层参数的梯度。例如，在一个多层感知机（MLP）中，假设第 $l$ 层有一个神经元接收到来自前一层的所有输出作为输入，并产生自己的输出传递给下一层，则该神经元的误差项 $δ_{l}$ 可以通过以下公式计算：

δ_{l} = f^{'} (z_{l}) \sum_{k} w_{l k} δ_{k}

这里， $f^{'}$ 表示激活函数的导数， $\sum_{k} w_{l k} δ_{k}$ 是从下一层传回的误差贡献。一旦得到了所有层的误差项，就可以很容易地计算出相应权重的梯度：

\frac{\partial E}{\partial w_{i j}} = a_{j} δ_{i}

其中， $a_{j}$ 是前一层第 $j$ 个神经元的激活值，而 $δ_{i}$ 是当前层第 $i$ 个神经元的误差项。这样，我们就能够量化每个权重对于总误差的具体影响了。

实际意义

回到最初的问题上，当我们说“通过计算误差相对于各个权重的梯度，就可以了解到不同因素各自贡献了多少误差”时，实际上是指：通过对损失函数求导并应用链式法则，我们可以精确地评估每一个权重在形成最终预测结果的过程中发挥了多大的作用。那些具有较大绝对值梯度的权重意味着它们的变化会对误差产生显著影响；相反，较小的梯度则表明相关权重的影响相对有限。因此，通过分析梯度信息，我们可以识别出哪些连接对于改进模型性能至关重要，并优先对其进行调整。

此外，值得注意的是，除了权重之外，偏置项同样会影响预测结果。但是由于偏置并不依赖于任何输入特征，所以其梯度总是等于该层的误差项 $δ_{i}$ 。这意味着，即使没有来自前一层的有效输入，我们也应该适当调整偏置以确保正确的输出水平。

综上所述，通过计算误差相对于各个权重的梯度，我们不仅能够了解不同因素各自贡献了多少误差，而且还可以据此采取有效的措施来优化模型参数，从而提高预测精度。这一过程构成了反向传播算法的核心机制之一，使神经网络能够在大量数据的支持下不断学习和成长。