deep-learning Archives - Page 15 of 19

배치 정규화 는 심층 신경망에서 상당한 성능 향상으로 인정되었습니다. 인터넷에 많은 자료가 활성화별로이를 구현하는 방법을 보여줍니다. 나는 이미 행렬 대수를 사용하여 backprop를 구현했으며, 고밀도 언어 ( Rcpp고밀도 행렬 곱셈 에 (그리고 결국 GPU)에 의존하는 동안 )에서 모든 것을 추출하고 for-loops를 사용하면 코드가 느려질 것입니다 대단한 고통에 더해

배치 정규화 함수는

b (x p) = γ (x p - μ x p) σ - 1 x p + β

$x_{p}$ 는활성화되기 전의 $p$ 번째 노드입니다.
$γ$ 와 $β$ 는 스칼라 파라미터입니다
$μ_{x_{p}}$ 및 $σ_{x_{p}}$ 평균 및 SD있는 $x_{p}$ . (분산의 제곱근에 퍼지 계수와 일반적으로 퍼지 계수가 사용됩니다. 압축을 위해 0이 아닌 요소를 가정 해 봅시다)

매트릭스 형태에서, 전체 층에 대한 배치 정규화는

b (X) = (γ \otimes 1 p) ⊙ (X - μ X) ⊙ σ - 1 X + (β \otimes 1 p)

$X$ 는 $N \times p$
$1_{N}$ 은 의 열 벡터입니다.
$γ$ 및 $β$ 는 이제계층 별 정규화 파라미터의행 $p$ 벡터이다
및 는 행렬이며, 각 열은 열별평균 및 표준 편차의 벡터입니다. $μ_{X}$ $σ_{X}$ $N \times p$ $N$
는 Kronecker 제품이고 는 요소 별 (Hadamard) 제품입니다 $\otimes$ $⊙$

배치 정규화가없고 연속적인 결과가없는 매우 간단한 단층 신경망은

y = a (X Γ 1) Γ 2 + ϵ

어디

은 $Γ_{1}$ $p_{1} \times p_{2}$
는 $Γ_{2}$ $p_{2} \times 1$
는 활성화 함수입니다 $a (.)$

손실의 경우 다음, 기울기는
$R = N^{- 1} \sum {(y - \hat{y})}^{2}$

R=N−1∑(y−y^)2

\partial R \partial Γ 1 = - 2 V T ϵ^\partial R \partial Γ 2 = X T (a' (X Γ 1) ⊙ - 2 ϵ^Γ T 2)

어디

$V = a (X Γ_{1})$
$\hat{ϵ} = y - \hat{y}$

배치 정규화 하에서,

또는

y = a (b (X Γ 1)) Γ 2

y = a ((γ \otimes 1 N) ⊙ (X Γ 1 - μ X Γ 1) ⊙ σ - 1 X Γ 1 + (β \otimes 1 N)) Γ 2

Hadamard 및 Kronecker 제품의 파생 상품을 계산하는 방법을 모르겠습니다. 크로네 커 (Kronecker) 제품의 주제에 관한 문헌 은 상당히 비현실적이다.

행렬 프레임 워크 내에 , 및 을 계산하는 실용적인 방법이 있습니까? 노드 별 계산에 의존하지 않고 간단한 표현? $\partial R / \partial γ$

∂R/∂γ

$\partial R / \partial β$

∂R/∂β

$\partial R / \partial Γ_{1}$

∂R/∂Γ1

업데이트 1 :

$\partial R / \partial β$

∂R/∂β

1 T N (a' (X Γ 1) ⊙ - 2 ϵ^Γ T 2)

set.seed(1)
library(dplyr)
library(foreach)

#numbers of obs, variables, and hidden layers
N <- 10
p1 <- 7
p2 <- 4
a <- function (v) {
  v[v < 0] <- 0
  v
}
ap <- function (v) {
  v[v < 0] <- 0
  v[v >= 0] <- 1
  v
}

# parameters
G1 <- matrix(rnorm(p1*p2), nrow = p1)
G2 <- rnorm(p2)
gamma <- 1:p2+1
beta <- (1:p2+1)*-1
# error
u <- rnorm(10)

# matrix batch norm function
b <- function(x, bet = beta, gam = gamma){
  xs <- scale(x)
  gk <- t(matrix(gam)) %x% matrix(rep(1, N))
  bk <- t(matrix(bet)) %x% matrix(rep(1, N))
  gk*xs+bk
}
# activation-wise batch norm function
bi <- function(x, i){
  xs <- scale(x)
  gk <- t(matrix(gamma[i]))
  bk <- t(matrix(beta[i]))
  suppressWarnings(gk*xs[,i]+bk)
}

X <- round(runif(N*p1, -5, 5)) %>% matrix(nrow = N)
# the neural net
y <- a(b(X %*% G1)) %*% G2 + u

그런 다음 파생 상품을 계산하십시오.

# drdbeta -- the matrix way
drdb <- matrix(rep(1, N*1), nrow = 1) %*% (-2*u %*% t(G2) * ap(b(X%*%G1)))
drdb
           [,1]      [,2]    [,3]        [,4]
[1,] -0.4460901 0.3899186 1.26758 -0.09589582
# the looping way
foreach(i = 1:4, .combine = c) %do%{
  sum(-2*u*matrix(ap(bi(X[,i, drop = FALSE]%*%G1[i,], i)))*G2[i])
}
[1] -0.44609015  0.38991862  1.26758024 -0.09589582

$β \otimes 1_{N}$

β⊗1N

\partial A \otimes B \partial A = (I n q \otimes T m p) (I n \otimes v e c (B) \otimes I m)

$m$

$n$

$p$

$q$

$A$

$B$

$T$

# playing with the kroneker derivative rule
A <- t(matrix(beta))
B <- matrix(rep(1, N))
diag(rep(1, ncol(A) *ncol(B))) %*% diag(rep(1, ncol(A))) %x% (B) %x% diag(nrow(A))
     [,1] [,2] [,3] [,4]
 [1,]    1    0    0    0
 [2,]    1    0    0    0
 snip
[13,]    0    1    0    0
[14,]    0    1    0    0
snip
[28,]    0    0    1    0
[29,]    0    0    1    0
[snip
[39,]    0    0    0    1
[40,]    0    0    0    1

$γ$

$Γ_{1}$

Γ1

$β \otimes 1$

β⊗1

업데이트 2

$\partial R / \partial Γ_{1}$

∂R/∂Γ1

$\partial R / \partial γ$

∂R/∂γ

vec() $\partial R / \partial Γ_{1}$

∂R/∂Γ1

$w ⊙ X Γ_{1}$

w⊙XΓ1

$Γ_{1}$

Γ1

$w \equiv (γ \otimes 1) ⊙ σ_{X Γ_{1}}^{- 1}$

w≡(γ⊗1)⊙σXΓ1−1

$w ⊙ X$

w⊙X

$w$

$X$

\partial (A ⊙ B) = \partial A ⊙ B + A ⊙ \partial B

과에서 이 , 그

\partial v e c ( w ⊙ X Γ 1 ) \partial v e c ( Γ 1 ) T = v e c (X Γ 1) I \partial v e c ( w ) \partial v e c ( Γ 1 ) T + v e c (w) I \partial v e c ( X Γ 1 ) \partial v e c ( Γ 1 ) T

업데이트 3

여기에서 진보하고 있습니다. 나는 지난 밤 2시에이 아이디어로 일어났다. 수학은 수면에 좋지 않습니다.

$\partial R / \partial Γ_{1}$

∂R/∂Γ1

$w \equiv (γ \otimes 1) ⊙ σ_{X Γ_{1}}^{- 1}$
$"stub" \equiv a^{'} (b ({X Γ}_{1})) ⊙ - 2 \hat{ϵ} Γ_{2}^{T}$

\partial R \partial Γ 1 = \partial w ⊙ X Γ 1 \partial Γ 1 (“stub”)

$i$

$j$

$I$

\partial R \partial Γ i j = (w i ⊙ X i) T (“stub” j)

\partial R \partial Γ i j = (I w i X i) T (“stub” j)

\partial R \partial Γ i j = X i T I w i (“stub” j)

\partial R \partial Γ = X T (“stub” ⊙ w)

그리고 실제로는 :

stub <- (-2*u %*% t(G2) * ap(b(X%*%G1)))
w <- t(matrix(gamma)) %x% matrix(rep(1, N)) * (apply(X%*%G1, 2, sd) %>% t %x% matrix(rep(1, N)))
drdG1 <- t(X) %*% (stub*w)

loop_drdG1 <- drdG1*NA
for (i in 1:7){
  for (j in 1:4){
    loop_drdG1[i,j] <- t(X[,i]) %*% diag(w[,j]) %*% (stub[,j])
  }
}

> loop_drdG1
           [,1]       [,2]       [,3]       [,4]
[1,] -61.531877  122.66157  360.08132 -51.666215
[2,]   7.047767  -14.04947  -41.24316   5.917769
[3,] 124.157678 -247.50384 -726.56422 104.250961
[4,]  44.151682  -88.01478 -258.37333  37.072659
[5,]  22.478082  -44.80924 -131.54056  18.874078
[6,]  22.098857  -44.05327 -129.32135  18.555655
[7,]  79.617345 -158.71430 -465.91653  66.851965
> drdG1
           [,1]       [,2]       [,3]       [,4]
[1,] -61.531877  122.66157  360.08132 -51.666215
[2,]   7.047767  -14.04947  -41.24316   5.917769
[3,] 124.157678 -247.50384 -726.56422 104.250961
[4,]  44.151682  -88.01478 -258.37333  37.072659
[5,]  22.478082  -44.80924 -131.54056  18.874078
[6,]  22.098857  -44.05327 -129.32135  18.555655
[7,]  79.617345 -158.71430 -465.91653  66.851965

업데이트 4

$\partial R / \partial γ$

∂R/∂γ

$\tilde{X Γ} \equiv (X Γ - μ_{X Γ}) ⊙ σ_{X Γ}^{- 1}$
$\tilde{γ} \equiv γ \otimes 1_{N}$

이전과 마찬가지로 체인 규칙은 까지

\partial R \partial γ ~ = \partial γ ~ ⊙ X Γ ˜ \partial γ ~ (“stub”)

\partial R \partial γ ~ i = (X Γ ˜) T i I γ ~ i (“stub” i)

\partial R \partial γ ~ = (X Γ ˜) T (“stub” ⊙ γ ~)

그것은 일종의 일치합니다.

drdg <- t(scale(X %*% G1)) %*% (stub * t(matrix(gamma)) %x% matrix(rep(1, N)))

loop_drdg <- foreach(i = 1:4, .combine = c) %do% {
  t(scale(X %*% G1)[,i]) %*% (stub[,i, drop = F] * gamma[i])
}

> drdg
           [,1]      [,2]       [,3]       [,4]
[1,]  0.8580574 -1.125017  -4.876398  0.4611406
[2,] -4.5463304  5.960787  25.837103 -2.4433071
[3,]  2.0706860 -2.714919 -11.767849  1.1128364
[4,] -8.5641868 11.228681  48.670853 -4.6025996
> loop_drdg
[1]   0.8580574   5.9607870 -11.7678486  -4.6025996

$γ$

본인의 질문에 답변 한 것 같지만 본인이
맞는지 잘 모르겠습니다. 이 시점에서 나는 내가 함께 해킹 한 것을 엄격하게 증명 (또는 반증)하는 대답을 받아 들일 것이다.

while(not_answered){
  print("Bueller?")
  Sys.sleep(1)
}

답변

b (X) = (X - e N μ T X) Γ Σ - 1 / 2 X + e N β T

$Γ = d i a g (γ)$

Γ=diag⁡(γ)

$Σ_{X}^{- 1 / 2} = d i a g (σ_{X_{1}}^{- 1}, σ_{X_{2}}^{- 1}, \dots)$

ΣX−1/2=diag⁡(σX1−1,σX2−1,…)

$e_{N}$

\nabla β R = [- 2 ϵ^(Γ T 2 \otimes I) J X (a) (I \otimes e N)] T

$- 2 \hat{ϵ} (Γ_{2}^{T} \otimes I) = v e c (- 2 \hat{ϵ} Γ_{2}^{T})^{T}$

−2ϵ^(Γ2T⊗I)=vec⁡(−2ϵ^Γ2T)T

$J_{X} (a) = d i a g (v e c (a^{'} (b (X Γ_{1}))))$

JX(a)=diag⁡(vec⁡(a′(b(XΓ1))))

\nabla β R = (I \otimes e T N) v e c (a' (b (X Γ 1)) ⊙ - 2 ϵ^Γ T 2) = e T N (a' (b (X Γ 1)) ⊙ - 2 ϵ^Γ T 2)

$v e c (A X B) = (B^{T} \otimes A) v e c (X)$

vec⁡(AXB)=(BT⊗A)vec⁡(X)

\nabla γ R = [- 2 ϵ^(Γ T 2 \otimes I) J X (a) (Σ - 1 / 2 X Γ 1 \otimes (X Γ 1 - e N μ T X Γ 1)) K] T = K T v e c ((X Γ 1 - e N μ T X Γ 1) T W Σ - 1 / 2 X Γ 1) = d i a g ((X Γ 1 - e N μ T X Γ 1) T W Σ - 1 / 2 X Γ 1)

$W = a^{'} (b (X Γ_{1})) ⊙ - 2 \hat{ϵ} Γ_{2}^{T}$

W=a′(b(XΓ1))⊙−2ϵ^Γ2T

$K$

$N p \times p$

Np×p

$d Γ_{i \neq j} = 0$

dΓi≠j=0

$b$

$γ_{i}$

γi

$γ_{i}$

γi

$Γ_{1}$

Γ1

$w$

$Σ_{X}$

ΣX

$μ_{X}$

μX

$X$

How IT

언제든지 물어보세요.

태그 보관물: deep-learning

배치 정규화를 통한 역 전파의 매트릭스 형태 = gamma){ xs <- scale(x)

답변

답변