内容简介：简单易懂地讲解深度学习（入门系列之五）
5.1 网之初，感知机
我们知道，《三字经》里开篇第一句就是：“人之初，性本善”。那么对于神经网络来说，这句话就要改为：“网之初，感知机”。感知机（ Perceptrons ），基本上来说，是一切神经网络学习的起点。
很多有关神经网络学习（包括深度学习）的教程，在提及感知机时，都知道绕不过，但也仅仅一带而过。学过编程的同学都知道，不论是哪门什么语言，那个神一般存在的第一个程序——“ Hello World ”，对初学者有多么重要，可以说，它就是很多人“光荣与梦想”开始的地方。
而感知机学习，就是神经网络学习的“ Hello World ”，所以对于初学者来说，也值得我们细细玩味。因此，下面我们就给予详细讲解。
5.2 感性认识“感知机”
在第 3 小节中，我们已经提到，所谓的感知机，其实就是一个由两层神经元构成的网络结构，它在输入层接收外界的输入，通过激活函数（含阈值）的变换，把信号传送至输出层，因此它也称之为 “ 阈值逻辑单元（ threshold logic unit ） ” 。
麻雀虽小，五脏俱全。感知机虽然简单，但已初具神经网络的必备要素。在前面我们也提到，所有“有监督”的学习，在某种程度上，都是分类（ classification ）学习算法。而感知机就是有监督的学习，所以，它也是一种分类算法。下面我们就列举一个区分“西瓜和香蕉”的经典案例，来看看感知机是如何工作的 。
为了简单起见，我们就假设西瓜和香蕉都仅有两个特征（ feature ）：形状和颜色，其它特征暂不考虑。这两个特征都是基于视觉刺激而得到的。
图 5-1 感知机学习算法
假设特征 x 1 代表输入颜色，特征 x 2 代表形状，权重 w 1 和 w 2 默认值都为 1 ，为了进一步简化，我们把阈值 θ （亦有教程称之为偏值—— bias ）设置为 0 。为了标识方便，我们将感知器输出为“ 1 ”，代表判定为“西瓜”，而输出为“ 0 ”，代表判定为“香蕉”。当然了，如果有更多类别的物品，我们就用更多的数字来标记即可。
为了方便机器计算，我们对颜色和形状这两个特征，给予不同的值，以示区别。比如，颜色这个特征为绿色时， x 1 取值为 1 ，而当颜色为黄色时， x 1 取值为 -1 ；类似地，如果形状这个特征为圆形， x 2 取值为 1 ，反之，形状为弯曲状时， x 2 取值为 -1 ，如表 5-1 所示。
表 5-1 西瓜与香蕉的特征表
品类 颜色 （x1） 形状（x2）
西瓜 1（绿色） 1（圆形）
香蕉 -1（黄色） -1（弯形）
这样一来，可以很容易依据图 5-1 所示的公式，对于西瓜、香蕉做鉴定（即输出函数 f 的值），其结果分别如图 5-2 （ a ）所示：
（b） “圆滑”激活函数按需输出
图 5-2 感知器的输出
从图 5-2 （ a ）所示的输出可以看到，对西瓜的判定输出结果是 2 ，而香蕉的为 -2 。而我们先前预定的规则是：函数输出为 1 ，则判定为西瓜，输出为 0 ，则判定为香蕉，那么如何将 2 或 -2 这样的分类结果，变换成预期的分类表达呢，这个时候，就需要激活函数上场了！
这里，我们使用了最为简单的阶跃函数（ step function ）。在阶跃函数中，输出规则非常简单：当 x >0 时， f ( x ) 输出为 1 ，否则输出 0 。通过激活函数的“润滑”之后，结果就变成我们想要的样子（如图 5-2-b 所示）。就这样，我们就搞定了西瓜和香蕉的判定。
这里需要说明的是，对象的不同特征（比如水果的颜色或形状等），只要用不同数值区分表示开来即可，具体用什么样的值，其实并无大碍。
但你或许会疑惑，这里的阈值（ threshold ） θ 和两个连接权值 w 1 和 w 2 ，为啥就这么巧分别就是 0 、 1 、 1 呢？如果取其它数值，会有不同的判定结果吗？
这是个好问题。事实上，我们并不能一开始就知道这几个参数的取值，而是一点点地非常苦逼地“折腾 试错 ”（ Try-Error ）出来的，而这里的“折腾试错”其实就是感知机的学习过程！
下面，我们就聊聊最简单的神经网络——感知机它是如何学习的？
5.3 感知机是如何学习的？
中国有句古话：“知错能改，善莫大焉。”说得就是“犯了错误而能改正，没有比这更好的事了”。
放到机器学习领域，这句话显然属于“监督学习”的范畴。因为“知错”，就表明它事先已有了事物的评判标准，如果你的行为不符合（或说偏离）这些标准，那么就要根据“偏离的程度”，来“改善”自己的行为。
下面，我们就根据这个思想，来制定感知机的学习规则。从前面讨论中我们已经知道，感知机学习属于“有监督学习”（即分类算法）。感知机是有明确的目的导向的，这有点类似于“不管白猫黑猫，抓住老鼠就是好猫”，不管是什么样的学习规则，能达到良好的分类目的，就是好学习规则。
我们知道，对象本身的特征值，一旦确定下来就不会变化。因此， 所谓神经网络的学习规则，就是调整权值和阈值的规则（ 这个结论对于深度学习而言，依然是适用的） 。
假设我们的规则是这样的：
其中 ep = y - y’ ， y 为期望输出， y’ 是实际输出，所以，具体说来， ep 是二者的差值。在后面，读者朋友可以看到，这个“落差”就是整个网络中权值和阈值的调整动力。因为，很显然，如果 ep 为 0 ，那么新、旧权值和阈值都是一样的，网络就稳定可用了！
下面，我们就用上面的学习规则来模拟感知机的学习过程。假设 w 1 和 w 2 初始值分别为 1 和 -1 （注意：已经不再是 1 和 1 了！），阈值 θ 依然为 0 （事实上为其它初值，也是可行的），那么我们遵循如下步骤，即可完成判定西瓜的学习：
（1）计算判定西瓜的输出值 f ：
将这个输出值带入如图 5-2-b 所示的阶跃函数中，可得 y=0 。
（2）显然，针对西瓜，我们期望输出的正确判定是： y =1 ，而现在实际输出的值 y’=0 ，也就是说，实际输出有误。这个时候，就需要纠偏。而纠偏，就需要利用公式（ 5.1 ）所示的学习规则。于是，我们需要计算出来误差 ep 来。
（3）计算误差 ep ：
现在 ，我们把 ep 的值带入公式（ 5.1 ）所示的规则中，更新网络的权值和阈值，即：
（3）那么，在新一轮的网络参数（即权值、阈值）重新学习获得后，我们再次输入西瓜的属性值，来测试一下，看看它能否正确判定：
再经过激活函数（阶跃函数）处理后，输出结果 y =1 ， 很高兴， 判定正确！
（ 4 ）我们知道，一个对象的类别判定正确，不算好，“大家好，才算真的好！”于是，在判定西瓜正确后，我们还要尝试在这样的网络参数下，看看香蕉的判定是否也是正确的：
类似地，经过激活函数（阶跃函数）处理后，输出结果 y =0 ，判定也正确的！ BINGO ！误差 ep 为 0 ，打完收工，学习结束！
在这个案例里，仅仅经过一轮的“试错法（ trial-by-error ）”，我们就搞定了参数的训练，但你可别高兴太早，谁叫这是一个“ Hello World ”版本的神经网络呢！事实上，在有监督的学习规则中，我们需要根据输出与期望值的“落差”，经过多轮重试，反复调整神经网络的权值，直至这个“落差”收敛到能够忍受的范围之内，训练才告结束。
在上面，我们仅仅给出了感知机学习的一个感性例子，下面我们要给出感知机学习的形式化的描述。
5.4 感知机的训练法则
通过前面的分析，我们可以看到，感知机是很容易实现逻辑上的“与（ AND ）”、“或（ OR ）”、“非（ NOT ）”等原子布尔函数（ Primitive Boolean function ），如图 5-3 所示（睿智如你，你肯定发现了，这里的确没有“异或”，这个坑回头我们在后面再填上） 。
图 5-3 感知机实现逻辑运算
下面举例说明。首先，我们注意到 ，假设 f 是如图 5-3 所示的阶跃函数，通过合适的权值和阈值，即可完成常见的逻辑运算（既然是逻辑运算， x 1 和 x 2 都只能取值为 0 或 1 ），例如：
（ 1 ）“与 ( x 1 ∧ x 2 ) ”：当权值 w 1 =w 2 =1 ，阈值 θ =2 时，有：
此时，仅当 x 1 = x 2 =1 时， y =1 ，而在其它情况下（如 x 1 和 x 2 无论哪一个取 0 ）， y =0 。这样，我们在感知机中，就完成了逻辑“与”的运算。
（ 2 ）类似地，“或 ( x 1 ∨ x 2 ) ”：当 w 1 =w 2 =1 ，阈值 θ =0.5 时，有：
此时，当 x 1 或 x 2 中有一个为“ 1 ”时，那么 y =1 ，而在其它情况下（即 x 1 和 x 2 均都取“ 0 ”）， y =0 。这样，我们就完成了逻辑“或”的运算。
（ 3 ）在类似地，“非 ( ┐ x 1 ) ”：当 w 1 =0.6 ， w 2 =,0 ，阈值 θ =0.5 时，有：
此时，当 x 1 为“ 1 ”时， y =0 ，当 x 1 为“ 0 ”时， y =1 。这样，就完成了逻辑“非”的运算（当然，如果以 x 2 做“非”运算，也是类似操作，这里不再赘述）。
更一般地，当我们给定训练数据，神经网络中的参数（权值 w i 和阈值 θ ）都可以通过不断地“纠偏”学习得到。为了方便起见，我们把阈值 θ 视为 w 0 ，而其权值设为固定值“ -1 ”，那么阈值 θ 就可视为一个“哑节点（ dummy node ）”。这样一来，权重和阈值的学习可以“一统天下”称为“权重”的学习。
如此一来，感知机的学习规则就可以更加简单明了，对于训练样例（ x ， y ）（需要注意的是，这里粗体字 x 表示训练集合），若当前感知机的实际输出 y’ ，假设它不符合预期，存在“落差”，那么感知机的权值依据如公式（ 5.2 ）规则调整：
其中， η ∈ (0,1) 称为学习率 (learning rate) ，公式（ 5.2 ）其实是公式（ 5.1 ）的一般化描述。由公式（ 5.2 ）可知，如果（ x ， y ）预测正确，那么可知 y = y ’ ，感知机的权值就不会发生任何变化，否则就会根据“落差”的程度做对应调整。
这里需要注意的是，学习率 η 的作用是“缓和”每一步权值调整强度的。它本身的大小，也是比较难以确定的。如果 η 太小，网络调参的次数就太多，从而收敛很慢。如果 η 太大，“步子大了，容易扯着蛋”，从而错过了网络的参数的最优解。因此，合适的 η 大小，在某种程度上，还依赖于人工经验（如图 5-4 所示）。
图 5-4 学习率：“步子大了，容易扯着蛋”
5.5 感知机的表征能力
如果识别对象 x 有 n 个特征，那么感知机可以看做，在 n 维实例空间（即点空间）中的超平面决策面，以向量的模式写出来就是 如图 5-5 所示。
图5-5 感知机的超平面
这样一来的话，对于超平面一侧的实例 ，感知机输出为 1 （或称判定为某一类），而对于超平面的另外一侧实例 ，感知机输出为 0 （判定为另外一类）。
由于感知机只有输出层神经元可以进行激活函数的处理，也就是说它只拥有单层的功能元神经元（ functional neuron ），因此它的学习能力是相对有限的。比如说在 5.4 小节中，原子布尔函数中的“与、或、非”等问题都是线性可分的（ linearly separable ）的问题。
前面的章节中，我们提到的那位人工智能泰斗明斯基（ Minsky ）已经证明，若两类模式是线性可分的，那么一定存在一个线性超平面可以将它们区分开来，如图 5-6(a)-(c) 所示。也就是说，这样的感知机，其学习过程一定会稳定（即收敛）下来，神经网络的权值可以学习得到。
但是对于线性不可分原子布尔函数（如“异或”操作），就不存在简单地线性超平面将其区分开来（如图 5-6-(d) ）。在这种情况下，感知机的学习过程就会发生“震荡（ fluctuation ）”，权值向量就难以求得合适解。这里稍微为非专业读者解释一下什么异或？所谓异或（ XOR ），就是当且仅当输入值 x 1 和 x 2 不相等，则输出为 1 。反之，输出为 0 。你可以监督粗暴地把“异或”理解为：男欢女爱输出为 1 ，搞基都是没有结果的（输出为 0 ）！
图 5-6 线性可分的“与、或、非”和线性不可分的“异或”
一个寄以厚望的感知机，居然连简单的“异或”功能都实现不了，这点让明斯基颇为失望。于是，在 1969 年，他和同事 Papert 合作写下《感知机》一书 [3] ，直接把“感知机”判了个 n 年有期徒刑（ n 在当时为不可知变量）。
这么一说，好像明斯基是一位法官一样。但其实呢，他更像《白雪公主》里的那位继母王后。这是因为就是他，给那个叫“人工智能”的“白雪公主”喂了一颗“毒苹果”（《感知机》一书），让这位“白雪公主”一睡就是 20 年（ n =20 ）。
我们知道，绝大多数童话都有个“ happy ending （完美结局）”，《白雪公主》也不例外。现在我们好奇的是，在人工智能领域，谁又是那位“吻醒”白雪公主的“王子”呢？
欲知后事如何，且听我们下回分解。
5.6小结
在本小节，我们首先用西瓜和香蕉的判定案例，感性地谈了谈感知机的工作流程。然后，我们又给出了感知机的形式化学习规则以及感知机的表征能力。容易发现，感知机连常见的逻辑操作“异或”都难以实现，这一功能缺陷，直接让人工智能领域大神明斯基抓住了“小辫子”，然后就把“人工智能”送进了长达二十年的“冬天”。
但英国浪漫主义诗人雪莱说了：“冬天来了，春天还会远吗？”
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持 码农网
猜你喜欢:
本站部分资源来源于网络，本站转载出于传递更多信息之目的，版权归原作者或者来源机构所有，如转载稿涉及版权问题，请联系我们。
Ruby on Rails Tutorial
Michael Hartl / Addison-Wesley Professional / 2012-8-6 / USD 44.99
"Ruby on Rails(TM) Tutorial by Michael Hartl has become a must-read for developers learning how to build Rails apps." -Peter Cooper, Editor of Ruby Inside Using Rails, developers can build web applica......一起来看看 《Ruby on Rails Tutorial》 这本书的介绍吧!
