【周末AI课堂】隐藏单元的设计原则（理论篇）| 机器学习你会遇到的“坑”

AI课堂开讲，就差你了！

很多人说，看了再多的文章，可是没有人手把手地教授，还是很难真正地入门AI。为了将AI知识体系以最简单的方式呈现给你，从这个星期开始，芯君邀请AI专业人士开设“周末学习课堂”——每周就AI学习中的一个重点问题进行深度分析，课程会分为理论篇和代码篇，理论与实操，一个都不能少！

来，退出让你废寝忘食的游戏页面，取消只有胡吃海塞的周末聚会吧。未来你与同龄人的差异，也许就从每周末的这堂AI课开启了！

读芯术读者交流群，请加小编微信号：zhizhizhuji。等你。后台回复“周末AI课堂”，查阅相关源代码。

全文共2316字，预计学习时长6分钟

数学准备

• non-zero-center：非零对称的函数

获得更好的优化是深度学习的核心任务之一，具体来说，就是让学习变得更容易。当我们固定好神经网络结构，在训练的过程中，要把数据本身包含的信息有效地传递给每一个参数，一方面，这与优化算法密切相关，另一方面，则需要设计更好优化的结构。

从表示学习的角度来看，神经网络前面的所有层，都可以看做获得一个更好的表示，只有最后一层将表示转化为输出，所以，神经元可以分为隐藏单元和输出单元。事实上，神经网络优化性能提升的主要来源就是这两类神经元的改变。

本文主要聚焦在隐藏单元，也就是激活函数，我们以喜闻乐见的sigmoid函数为出发点去理解激活函数的设计方法。

非零中心与梯度消失

如果神经网络中每一层都是线性变换，那么最后的变换一定是线性的，我们可以假设某个神经网络由l层构成，但每一层都只有一个神经元，同时神经元的阈值为零，最后的输出是：

激活函数重要性就体现在它的存在直接使得整个网络变为非线性的，例如sigmoid函数，将会使得最后的输出变为复杂的非线性函数，表现为多层复合函数：

使用BP算法去估计参数，假设我们的损失函数为L，学习率为1，同时根据sigmoid函数中，权重系数与输入相乘的形式，第l层的权重系数变化为：

在这里，我们将会面对非零中心带来的问题，永远是正的，而也永远是正的。

如图，sigmoid函数和其导数均为正，另一条很重要的性质是，在值较大和较小区域，sigmoid函数的导数会变得很小。

唯一决定其更新方向只有Loss对输出的偏导，但对于某一确定的数据，这一项也是常数。也就是说，在sigmoid作为激活函数的情况下，存在多个参数的情况下，权重系数的更新会全部沿着同一个方向，我们假设存在两条权重边连入到其中，另一个参数的更新也与上述情况类似。比如，我们进行两个参数的更新：

因为均为正，其余的条件均一样，w1和w0的更新沿着同一个方向，当我们遇到需要减小一个参数，而增大另一个参数的时候，此种性质会造成迭代的冗余。

如图，当我们需要增大w0，减小w1时，由于上一步sigmoid函数的输出永远为正，参数只能沿同一个方向更新，要么全部增大，要么全部减小，就形成了Z形折线。

在此基础上，我们所更新的第l-1层权重系数变化为：

注意到第一项仍然要使用链式法则，同时使用sigmoid函数性质:

需要注意到，当我们对w或者x进行求导时，别忘记还有一层复合函数，第一项就可以写作：

同时，第二项也可以记为：

那么，权重系数更新为：

在这里，我们可以看到，上一层的梯度直接进入了此层的更新，我们可以将参数的更新理解为，梯度在层与层之间流动。用l-1层的参数变换除以层的参数变换，就可以反映出更新幅度的大小：

对于确定的一个数据点，如果当时，参数的更新幅度为零，也就是梯度变小了。如果我们继续向后传播，后面的层与起点的l层的比值所形成的链会越变越长，sigmoid函数的导数最大也不会超过0.25，所以比值会越变越小，参数变换幅度也会越来越小。换而言之，sigmoid函数进入的自变量太大或者太小时，随着传播，非常容易地进入“饱和区”，这就是所谓的梯度消失。

激活函数的性质

根据上述存在的问题，我们可以大概明确激活函数必须要满足的几条性质：

• 非线性。这是万能近似定理的要求，线性单元的线性组合不会学习到非线性的表示。
• 连续性。我们希望对于每一个输入，都有输出。当某个可能的数值在激活函数上没有定义时，这个激活函数将没有输出，这是不被允许的。注意，输出为零与没有输出是两种截然不同的情况。
• 几乎可微。完全可微性经常被人误以为是激活函数的必要条件，因为总是要计算梯度，实际上，我们不需要保证对所有的点都存在导数，有限的几个点不存在导数仍然是可以接受的，我们会用左导数或者右导数来替代导数没有定义的点。

此外，为了更好让神经网络得到更好的优化，少部分出于获得更好的表示，我们希望激活函数还可以满足以下特质：

• 单调性。这一点存在着一些争议，因为有些激活函数并不是单调性的，但效果却很好，一般认为，单调性的激活函数会带来更好的收敛效果。
• 小的饱和区域，甚至不饱和。我们已经在上文中看到，大量的饱和区域会使得深层的网络参数很难得到大幅度的更新，我们希望激活函数的梯度在很小的区域内为零。除此之外，函数本身等于零的区域也要尽量少。
• 更小的计算量。一方面，我们希望激活函数计算起来较为简单，另一方面，我们希望激活函数尽量少参数，因为激活函数每增加一个参数，整个神经网络要相应增加隐层包含神经元数量之和的参数数量，这对于优化仍然是不利的。
• 近似线性化。在上述的过程中，我们可以看到梯度在层与层之间的流动，为了避免大的梯度和小的梯度在深层网络中传播时对优化的影响，若梯度为1，则可以避免一些麻烦，但是，完全的线性又会违反万能近似定理，所以我们希望激活函数在某个区间内保持线性。

读芯君开扒

课堂TIPS

• 在缓解梯度消失问题时，另一个想法是，我们不使用基于梯度的优化算法，而是使用二阶优化。例如在《理解优化算法》中提到的牛顿法，它是一阶信息与二阶信息的比值，从理论上这是可行的。因为函数趋于饱和时，一阶导数和二阶导数可能具备相同的变化趋势，那么比值反而恒定，但是仍然存在鞍点和计算复杂度太高的情形。

• 对激活函数的研究是神经网络的一个重要课题，我们会在下篇文中针对性详细介绍一些性质良好的激活函数。本文所讲的激活函数的性质，可以成为我们设计激活函数的指导原则，但有些原则缺乏理论支撑，仍然存在我们无法解释的情形，比如softplus函数应该比relu效果更好，但实际上却没有，在某种程度上，目前激活函数的设计原则仍然是启发式的。

留言 点赞 发个朋友圈

我们一起探讨AI落地的最后一公里

作者：唐僧不用海飞丝

如需转载，请后台留言，遵守转载规范