Sieci o zmiennej strukturze
Sieci o zmiennej strukturze
Wykład 9’
Włodzisław Duch
Katedra Informatyki Stosowanej UMK
Google: W. Duch
Co będzie
•
Uwagi na temat MLP
•
Sieci o zmiennej strukturze
•
Algorytmy konstruktywistyczne
•
Przykłady zastosowań sieci MLP
Sieci z 1 warstwą ukrytą.
Sieci z 1 warstwą ukrytą.
Uczenie warstwy wyjściowej można uprościć odwracając:1
( ( ))
;
1 exp(
( ))
( ) ln
;
( )
1
o o H X
H X
o
Y X
H X W Y
o
Mając wartości dochodzące do warstwy wyjściowej można obliczyć wartości W na wybranym zbiorze uczącym w sensie metody najmniejszych kwadratów.
Można też nie uczyć warstwy wejściowej tylko użyć jej do rzutowania danych w wysokowymiarową przestrzeń (biorąc
dostatecznie dużo neuronów) – znane jest to pod szumną nazwą „Extreme Learning Machines”.
H(X) sygnał z warstwy ukrytej
Y(X) aktywacja w. wyjściowej
Uwagi praktyczne 1
Uwagi praktyczne 1
Ile neuronów?Zwykle niewiele, zacząć od 1 i zwiększać robiąc kroswalidację; reguły heurystyczne są mało przydatne bo wszystko zależy od rozkładu
Uwagi praktyczne 2
Uwagi praktyczne 2
Trudności w uczeniu?Można dodać dodatkowe wyjścia pomocnicze (hints), np. dzielące hierarchicznie na grupy kilku kategorii.
Ogólnie: co ciekawego mogą wykryć pośrednie warstwy? Może warto zmienić cel uczenia?
Uwagi praktyczne 3
System dobrze się nauczył alesłabo generalizuje?
• Zbyt duża złożoność sieci. • Dodać regularyzację.
• Stosować kroswalidację do
oceny błędu.
• Zatrzymać uczenie zanim się
przetrenuje.
• Dane treningowe nie są
Algorytmy konstruktywistyczne
Algorytmy konstruktywistyczne
Złożoność sieci należy dopasować do złożoności danych: niezbyt prosta ale i niezbyt dopasowana – zajmuje się tym dziedzina
zwana wyborem modelu.
Utwórz wiele sieci; wybierz najlepszą;
używaj algorytmów ewolucyjnych - ale czy warto? używaj komitetów sieci - nie marnuj modeli.
Algorytmy sieciowe:
• upraszczające, usuwające połączenia i zbędne neurony; • konstruktywne, dodające nowe zasoby w miarę potrzeb; • ontogeniczne: rosnące i kurczące.
AK: upraszczanie
AK: upraszczanie
Zwykle:• mała sieć - prosty model, dobre wyniki;
• duża sieć - zła generalizacja, za duża złożoność modelu.
Regularyzacja: duża sieć, elastyczna, ale efektywnie ma mało swobodnych parametrów, zależnie od siły regularyzacji.
1. Utwórz dużą sieć.
2. Trenuj ją z członem regularyzującym.
Metody Bayesowskie pozwalają automatycznie określić parametry regularyzacji (Bishop), ale są rzadko stosowane.
Statystyczne kryteria przydatności neuronów można stosować zamiast regularyzacji. 2 ij i j
W
Korelacja kaskadowa
Fahlman i Labiere, 1991Zacznij od zera, dodawaj neurony do warstwy ukrytej. Maksymalizuj korelacje nowego neuronu i z błędem
wykazywanym przez neuron wyjściowy.
( )p
( )p
( )p;
( )p
( )p;
i i
p
o
o
Y
F X
W
Y
F X
W
Dodaj kilka neuronów - kandydatów; trenuj maksymalizując korelację;
KK - schemat
KK - schemat
kandydaci
Warstwa wyjściowa
Uczenie: jakąś wersją
metody BP (np. Quickprop). Po dodaniu kandydata stare neurony ukryte mają
ustalone wagi wejściowe. Nowy neuron łączy się ze wszystkimi istniejącymi. CasCor 2 - minimalizuje różnicę |E(sieć)-E(kand)|
CasPer
CasPer
Cascade Correlation with Progressive RPROP (1997) Architektura kaskadowa;
3 typy połączeń z różnymi szybkościami uczenia: L1, wejście kandydata z neuronów
ukrytych i wejściowych;
L2 wyjście kandydata do neuronów wyjściowych.
L3 istniejące neurony L1>> L2>> L3
FlexNet
Mohraz, Protzel 1996.0. Startuj bez warstw ukrytych, tylko In/Out. Powtarzać 1 i 2: 1. Uczyć aż błąd zacznie spadać powoli.
2. Dodać nową jednostkę w różnych miejscach sieci, zostawić taką, która najbardziej pomaga w uczeniu.
Algorytm wieżowy
Algorytm wieżowy
Dodaj neuron tworząc nową warstwę;trenuj aż się nauczy;
zamroź wagi, dodaj kolejny neuron.
Zbiega się po skończonej liczbie kroków dla wypukłych danych.
Każda warstw usuwa przynajmniej
jeden błąd, ale generalizacja może być kiepska.
Algorytm piramidowy
Algorytm piramidowy
Jeden neuron/warstwę.Dodaje połączenia pomiędzy odległymi warstwami.
Uczenie - podobnie jak w algorytmie wieżowym.
Używany w programie TDL (Transdimensional Learning)
Algorytm kieszonkowy
Algorytm kieszonkowy uczenia sieci (Gallant 1990) Próbuje wykorzystać sukcesy, nie tylko błędy.Stosowany do wzorców binarnych:
1. Przypadkowa inicjalizacja wag.
2. Przypadkowo wybieraj wektory do uczenia. 3. Policz, po ilu wektorach N(p) pojawia się błąd,
zapamiętaj ostatnie wagi W(p) w „kieszonce”
dokonaj korekty W= W(p)+ W(p).
4. Przypadkowo wybieraj wektory do uczenia i licz, kiedy
pojawi się błąd; jeśli N<N(p)to weź W=W(p) (krok wstecz)
5. Powtarzaj aż do skutku ...
Algorytm kafelkowy
Algorytm kafelkowy
Hierarchia warstw o malejącej liczbieneuronów (Mezard, Nadal 1989).
Nowe warstwy - wierna reprezentacja, tj. R(X)R(Y) jeśli C(X) C(Y), dla
wektorów binarnych.
Jednostka nadrzędna trenowana jest na dużej liczbie wzorców tak, by wytworzyć możliwie najdłuższy ciąg poprawnych odpowiedzi.
Jednostki pomocnicze uczą się na
Algorytm upstart
Frean, 1990: neuron wyjściowypołączony z wejściowymi, wzorce są binarne.
Błędne odpowiedzi typu 0 i 1.
Dodaj 2 neurony, te same wejście, duże W+/-, koryguj błędy typu 0 i 1.
Każdy neuron koryguje 1 błąd. Algorytm uczenia - kieszonkowy.
Poprawny wynik w skończonej liczbie kroków dla wypukłych danych (każdy wektor można odseparować
płaszczyzną).
Binarne drzewo z perceptronem w każdym węźle, dobre wyniki.
Algorytm "upstart"
1
2
2
+
-IncNet
IncNet
Incremental Network, sieć ontogeniczna, rośnie i maleje (N. Jankowski, 2003).
Jedyna sieć w pełni ontogeniczna: rośnie, kruczy się, i łączy neurony.
Sieć jednowarstwowa, różne f. transferu, model 1-z-N. Statystyczne kryteria wzrostu i kurczenia sieci.
Algorytm uczenia w oparciu o rozszerzony filtr Kalmana, EKF (estymator błędu i parametrów modelu).
Onto - podsumowanie
Inne sieci ontogeniczne: RAN, FSM - po RBF-ie.Zalety algorytmów ontogenicznych:
• automatyczna konstrukcja • zwykle dobre wyniki
• zwykle małe sieci, niewiele połączeń
• zwykle duża szybkość - trenowane są pojedyncze neurony
Wady:
• czasami mogą się przetrenować
• algorytmy rosnące nie gwarantują najprostszych sieci • niektóre tworzą specyficzne architektury
• niewiele dobrych programów
• homogeniczne – lepiej czasem użyć różnych funkcji transferu dla
Kilka zastosowań
Typowe problemy: diagnoza, wykrywanie anomalii prognozowanie, aproksymacja funkcji w nD, kontrola. Dobre benchmarki: XOR, parzystość, kompresja.NETtalk (Sejnowski i Rosenberg 1987):
7 liter (wybranych z 29 znaków) tekstu w ruchomym okienku, na wyjściu kod fonemu, 7x29=203 wejścia, 80 jednostek ukrytych i 26 wyjściowych.
1024 słowa, korelacja litera/fonem, gaworzenie, po 50 epokach sieć 95% dokładności, 78% poprawnie na nowym tekście.
Zastosowania przemysłowe - strona Boba Marksa. EANN - International Conference on