殘缺的神經網絡
卷積神經網絡,是神經網絡的子集,是殘缺的神經網絡。
其中計算關係爲
全聯接的齊次表示
也就是說,卷積網絡,就是部分連接的神經網絡,而一般的神經網絡都是進行的全聯接。
同時,在圖像尺寸縮小方面,是因爲我們神經元的遞減,經過排布以後,導致的圖像收縮。
當然,相同辦法的逆運算,也會導致我們的圖像放大。
對比來說,也就是下一層的神經元數量的擴增,排布以後形成的圖像放大。
不過,雖然是殘缺的,但是其中帶有權值的,非的參數分佈,他們在空間之中,是有一定相關性的。
這也是卷積網絡固然殘缺,卻能受到追捧的原因,它保留了空間信息。
隱藏的神經網絡
關於殘缺的神經網絡這點,大多數人都是必然發現和牢記的,但是關於通道
,或許還沒有發現它的本質。
輕而易舉的,我們發現通道上面的計算,同神經網絡更具有相似性。
- 全聯接
- 輕易的神經元(通道數)變換
如果我們的原圖,是一個四通道,單像素的圖片,然後進行通道變後變的卷積操作,如下圖
這不就是神經網絡麼,全聯接的神經網絡。
而實際的情況下,我們的一個通道,卻不只是一個像素。
關於這一點,這是我們對於高緯的信息的想象力的不全,下面進行一下我個人的理解和描述。
緯度信息
我們一般的信息理解,從信息的類型來分,或許也可以稱作是高緯度的,因爲它的確包含了多方面的信息。
比如,一個人,就是高緯度的信息
- 身高
- 體重
- 年齡
- …
這些信息代表了每個單一緯度的信息,從而組成人
這麼一個信息空間,而個人,可以看作這個空間的一個向量
.
或者,使用張量
這個詞更接軌一些。
同上圖所示,我們輸入的,就是這麼一個向量,它由n
個單一緯度組成。
而隱藏層是由5
個緯度構成,最後投射到j
個單一緯度的結果空間,通過對j
緯的張量的評估,然後得出結果。
就這種單純的圖片,或者說全聯接的神經網絡,我們可以以一種更簡潔的方式來進行表達
- :張量
- :緯度
上圖就可以表示爲
神經網絡,就是這麼一個信息空間的不同投射轉換,唯一的區別,就是在於這個空間的緯度。
上述已經說明了一種普遍的信息應該是如何表示的,發現其中的關鍵了麼。
我們平時所述的信息,存在描述性的差異,或者說是我們接受程度的差異,也就是
我們習慣性的對一個信息量進行拆解,從每一個緯度去進行理解。
對於熟知事物,只是從我們關注的點去進行探究,這才造就了我們豐富的生活。
對於美女,僅僅需要一張姣好的面容即可,但是一個信息,逐漸的認知,會豐富她的緯度。
- 髮型
- 穿着
- 品味
- 素養
- 學識
- …
- 還有腿
正是因爲部分特徵的截取和組合,讓不同的情況不同的人,對於相同的事物產生不同的偏差。
究其根本原因,只是我們認知的侷限,或者說是需求的侷限。
我們的確已經接受了高緯的信息,卻仍然以一種低緯的思想去理解,這就產生了侷限。
現在,不妨玩一玩這麼一個思維遊戲:定義人如何造就一個社會
- :把
person
定義爲p
緯的一個輸入張量 - :假設社會的人口爲
n
,社會的輸入就是,以每個人都算作一個緯度,社會輸入就是 - :衡量一個社會,需要從教育、軍事…等
m
個緯度進行衡量,那麼衡量的信息就是 - :於是,最終得到一個社會的評價,也就是能夠準確描述社會的
整個流程就是
不過,正如和之間的關係,由於樣本組成了樣本空間,每個信息都有所在的信息空間。
對於確定的,只是一個固定的社會形態,而的空間,則包含了各種的社會形態。
通過這種觀點,我們的回顧了我們對於信息的認知,從而發現這種認知的侷限所在
單緯度的認知,取決於我們對於高緯度信息的緯度發掘的多寡。
爲何因愛生恨,不過是因爲我們緯度信息挖掘的不夠,部分的緯度信息,刺激了愛,於是愛了。
但是當我們接近,發掘出了更多的其他緯度的信息,綜合起來發現,我們誤判了----愛上了一個不該愛的人。
或者說,如果信息完備,我們不會去愛上此人。
卷積信息挖掘
卷積,或者說神經網絡,就是信息的挖掘機,通過卷積,我們挖掘出了這麼一個信息。
如果一個信息是不加約束的,記作,如果有一定約束,記作。
神經網絡,挖掘的信息,毫無疑問是,而卷積網絡,挖掘的信息,包含空間約束,記作。
對於每次的信息挖掘,記作,使用上標來表示緯度變化,也就成了
在卷積過程當中,或者說單通道的情況下,挖掘的方式爲
假設原圖像素爲1,也就是在沒有空間約束的情況下,挖掘方式爲
現在,兩者綜合起來,不過關鍵的點,還是在於通道數量的變化
- 卷積
單一的卷積的變化式按照原樣,但是對於同樣的輸入,進行了不同挖掘,也就是
簡單的記作
- 通道
通道的變化式,還是老樣子,但是,對於,有沒有讓你和產生了聯想。
沒錯,兩者其實是等價的。
通道的網絡變換,作爲一個高緯向量,它的單緯度,正是對應的卷積核抽取出來的一個特徵。
而不同的卷積核抽取的特徵,正是作爲了新一輪的網絡計算的輸入。
爲了直觀感受,這裏舉一個例子,還是以人爲例
- 身高
- 體重
- 腿長
- 眼睛顏色
- 眼睛大小
- 睫毛長度
- 睫毛顏色
- 頭髮長度
- 頭髮顏色
- 手掌尺寸
- …
每個輸入,都寫作
發現問題的關鍵點了麼
- 相同輸入會進行重複的特徵提取
- 每個特徵都有各自的偏向性
- 基於提取之後的特徵,再次進行特徵提取
也就是說,這是一種嫁接在神經網絡上面的神經網絡,而殘缺是由於空間限定。
而且與嫁接而言,空間限定僅僅是小兒科。
這裏,同樣解釋了這麼一個問題:爲什麼backbone
可以複用。
因爲,經過大量訓練集的洗禮,backbone
已經習得了諸如顏色、毛髮等特徵。
而後續的特徵組合,僅僅是一種基於此的新的特徵判斷,但是組合方式的差異,不受基礎屬性的影響。
正如判斷漂亮與否,和判斷頭髮枯黃的兩種基準,是明確的隔離的。
對於美醜的判斷,基於頭髮枯黃等結果,卻和是否枯黃的判斷標準毫無關聯。
也是,backbone
的複用性也就不言而明。
易於理解的網絡
本質來說,這種抽取+邏輯的網絡是否就更具有一種更好的效果呢。
從個人的觀念來看,那必定是更好的。
因爲,它對於一個抽象的高緯的信息的判斷變得更加的精確,組合方式也就更加的精準。
現在一步到位的神經網絡,存在兩個問題
- 隱蔽:
對於所謂的美貌這種特徵,如果不是作爲目標來計算,而僅僅是中間生成的一方面的判斷依據。
它是不具備複用性的,也是不長久的。
對於神經網絡,我們只是對它的複雜計算最終導致的結果是可分析和預計的,對於其中的中間信息,無能爲力。
也就是因果一步到位,對於其中的變化過程一無所知,最終的出來的,只是經驗而非知識。
- 模糊
同樣的,關注不同的事情,重點是不一樣的。
雖然我們可以忽略,卻不能夠忘記還有這麼一些東西。
神經網絡中,由於存在明確的目標,關於這方面的信息的確能夠足夠的去挖掘。
但是更換目標以後,由於偏重的變化,相同信息在新的模型中,它的參數權重,也就會降低。
甚至於,它的影響相比其他重量級的因素是微小的,於是被完全的忽略,權重爲。
但是本質上,它的影響力還是存在那麼一點點。
正是因爲這個原因,對於一個既定結果的憑重的不一,導致對單一信息的差異性識別。
得出來的結果本身就有一定的偏向性。
相同的東西,不同環境下的評價或許不同,但是就它本身而言,應該是一種明確的、定量的評價
就好比身高,在一些地方,被認爲高,一些地方,被認爲矮,一些地方就覺得很普通。
但是在長度的標尺下面,它就是一定的,是確定的,唯一的。
原來的神經網絡,兩點的弊病,一針見血的表述就是
- 差異性目標導致的基礎特徵的差異性認知
而且相同的基礎特徵,都需要重頭的訓練,浪費資源,還是存在識別差異。
卷積網絡的backbone
,經過標準的數據集,可以說有一定的認知標準,因此直接複用。
制定個人的functional
,僅僅改變組合邏輯,就可以完成個人的信息組合,多麼美好。
不過,對於一個東西準確的衡量,並不是如此簡單,爲了更貼近自己的結果,有時候我們更需要擴大它的差異。
由於functional
的設計缺陷,很多人也重新訓練backbone
,這就是爲了更好偏向結果,不過個人覺得並不正確
擬合
所以過擬合
和欠擬合
,到底是什麼關係呢?
- 過擬合:過於貼近訓練集,測試集效果不佳
- 欠擬合:對於訓練集本身擬合不佳
兩者有差異麼?不,兩者不存在差異,兩者都是一致的:方向性偏差
欠擬合,無法擬合,是一種大距離的方向性偏差,能夠明顯的察覺到錯誤。
過擬合,很大程度上擬合,但是偏向點和目標點角度很小,很大程度準確,無法校準。
欠擬合無需多說,關鍵是過擬合,真的有意思。
如果你的真實情況是,訓練出來,在範圍之間,情況是這樣的。
真實樣本,預測的樣本,也就是對於測試集合中的,它就會辨別錯誤。
這種擬合,精確程度下發生了很小的偏差,因爲精確,所以更深蒂固。
哪怕錯誤,或許我們想要的更是,因爲預測的結果更貼近我們的目標。
也就是說,一般的訓練,實際上有兩個方面因素
- 定位
- 偏移
兩者都精準的大道了目標,我們就掌握了真理,不過太理想。
當定位太遙遠,但是通過偏移,映射了我們的目標,我們心滿意足,反之亦然。
或者說,我們對於定位的要求並沒那麼大,偏移程度和範圍,纔是能夠把握樣本的根本關鍵。
過擬合,就是映射過程中,對於偏移的程度和範圍,又一個固執的認知,自成體系,而無法容納我們的部分期望。
擬合的兩者,一個錯誤的認知,一個偏執的認知,根本原因在於認知方向的錯誤。
差異過大,這是量上面的,顯而易見。
但是那些看起來正確的,始終過擬合的,是因爲某些東西本質上的不同,但是現象上面存在交集。
或許,也是因爲基礎特徵的差異化、偏向性的特徵提取導致,完全的忽略的那些微弱的原因。
由於這些原因的缺乏,導致認知的正確存在那麼一點點的固化偏差。
過擬合其實不是錯誤,也有可能是我們對於某方面的處理,矇蔽了視聽,侷限了信息範圍。
這就是激活函數的優劣問題了,梯度消失當時就是抹殺了信息。
這種問題,還存在吧,在一些我們意想不到的角落。