出发点
对于一个样本,有输入和输出结果,我们的目的是优化训练我们的模型,使得对于样本输入,模型的预测输出尽可能的接近真实输出结果。现在需要一个损失函数来评估预测输出与真实结果的差距。
均方误差
回归问题
样本有若干维,每一维都有一个真实值。我们要将样本的数据通过我们的模型预测也得到同样多的预测值,真实值可以看成一个向量,预测值也一样。预测值向量要在某种定义下与真实值向量是接近的。
定义
\[L={1\over N}\sum\limits_{i=1}^{N}(\hat y_i-y_i)^2 \]其中\(N\)为样本的总维数,\(y_i\)表示第i维的真实值,\(\hat y_i\)表示第i维的预测值,这个误差函数是容易理解的。
如果把这个样本看做N维空间中的一个向量,均方误差实际上是这真实值与预测值两个向量的欧氏距离
均方误差实际上就是一种衡量“有多近”的标准,这个距离的定义显然是合适的。
在实际应用中,我们需要利用梯度方法训练模型,因此损失函数应当是容易计算梯度并且不会产生梯度消失的。
考虑\(L\)对每个\(\hat y_i\)的偏导
\[{\partial L\over \partial \hat y_i}={1\over N}2(\hat y_i-y_i) \]当预测值与真实值差别越大,即\(|\hat y_i-y_i|\)越大时,梯度的绝对值也是更大的,这符合我们的要求。
分类问题
与回归问题不同的是,样本的每一维的真实值不是连续,有序的,而是一个个离散的类别。
这些类别不仅不连续(离散),而且还是无序的,如果仍然用回归问题的思路,直接去这个\(\hat y_i\)表示把第\(i\)维归入哪一类显然是不合适的,因为不存在2.5类这样的东西。在这种情况下传统的均方误差也不适用了。因为第1类与第2类的差距并不一定比第1类与第9类的差距小,然而\((2-1)^2<(9-1)^2\),也就是说类之间没法定义“距离”的概念了。
如果我们换一种思路呢,尝试预测分到每一类的概率?
概率分布
假设总共有\(K\)类,对于每一维的预测值不是一个类别的确定值,而是一个K维的向量,代表分到每一类的一个概率分布。
设\(z_i^k\)表示样本第\(i\)维被分到第k类的概率
神经网络直接得到出来的预测值并不能满足概率的要求——和为1
那么将这个预测值过一个Softmax
即
\[p_i^k={\text e^{z_i^k}\over \sum\limits_{j=1}^{K}\text e^{z_i^j}} \]这样就得到了一个和为1的概率分布,同时这个概率分布很好的突出了最大值(指数关系)。
举例,[1,5,3],通过softmax后得到的是[0.015,0.866,0.117]
那对应的真实值又是什么呢?
如果训练数据中样本每一维的Label就是确定的类别,那么就是一个只有正确的类那一维概率为1,其他维都为0的K维向量。
设第i维的真实类别为\(y_i\),那么
\[p_i^k=\begin{cases}1,&k=y_i\\0,&else \end{cases} \]在某些特殊情况中,训练数据的Label不是确定的类别,而也是一个概率分布。
既然是两个向量的差异,那这样我们不可以直接做均方差吗?
\[L={1\over N}\sum\limits_{i=1}^N{1\over K}\sum\limits_{k=1}^K(\hat p_i^k-p_i^k)^2 \](同样用\(\hat p_i^k\)代表预测值)
在实际情况中,分类问题往往不像回归问题那样要同时考虑多维,分类问题的样本往往就是一维的(N=1),就是这个东西要分到哪一类,其实也就是加起来除以N的区别,不妨设N=1,那么下标\(i\)可以去掉了。
得到
\[L={1\over K}\sum\limits_{k=1}^K(\hat p_k-p_k)^2 \]我们下面将说明,在这里用均方差是不合适的。
梯度消失
由于这里的\(p\)是\(z\)过了一遍softmax的结果,我们还要把这个加上
\[{\partial L\over \partial \hat z_k}={\partial L\over \partial \hat p_k}{\partial \hat p_k\over \partial \hat z_k} \] \[{\partial L\over \partial \hat p_k}={1\over K}2(\hat p_k-p_k) \]就是先前求过的均方差的梯度
设
\[S=\sum\limits_{j=1}^{K}\text e^{\hat z_j} \]则
\[{\partial \hat p_k\over \partial \hat z_k}={\text e^{\hat z_k}(S-\text e^{\hat z_k})\over S^2}=\hat p_k(1-\hat p_k) \]所以
\[{\partial L\over \partial \hat z_k}={1\over K}2(\hat p_k-p_k)\hat p_k(1-\hat p_k) \]我们前面说过,softmax的特点是突出大值,最大的那个\(\hat p_k\)大了,其他的就自然小了,\(\hat p_k\)不仅与\(\hat z_k\)有关,更重要的是\(\hat z_k\)在所有\(\hat z\)中的相对大小而不是绝对大小,所以我们主要关心真实概率\(p_k\)较大的那些类,只需要那些类被突出出来,其他自然就小了。
大的概率值应该是怎么样的?
真实概率\(p_k\)较大,预测出来的\(\hat p_k\)我们也希望它比较大,当\(\hat p_k\)很小的时候就错了,这个时候梯度绝对值应该更大
这时候就出问题了,当预测出来\(\hat p_k\)特别接近0的时候,均方差计算出的梯度非常小,当\(\hat p_k=0\)时梯度直接消失了,这明显是有问题的。这就需要我们使用新的损失函数。
交叉熵
交叉熵本身是用来计算两个概率分布之间的差异性信息的。
定义式是这样的
\[L=-\sum\limits_{k=1}^K p_k\log \hat p_k \]log外面的是第k类的真实概率,里面的是第k类的预测概率
(在绝大多数分类问题中,\(p_k\)只有一个是1,其他都是0,都是确定的分类任务,也就是说求和式只有一项。但不失一般性,我们还是按照原来的形式讨论)
现在我们来求它的梯度
求梯度
\[{\partial L\over \partial \hat z_k}={\partial L\over \partial \hat p_k}{\partial \hat p_k\over \partial \hat z_k} \]其中
\[{\partial \hat p_k\over \partial \hat z_k}={\text e^{\hat z_k}(S-\text e^{\hat z_k})\over S^2}=\hat p_k(1-\hat p_k) \]这一部分与上面是一样的。
而
\[{\partial L\over \partial \hat p_k}=-{p_k\over \hat p_k} \]那么
\[{\partial L\over \partial \hat z_k}=-p_k(1-\hat p_k) \]真实概率\(p_k\)较大,当\(\hat p_k\)很小的时候,梯度绝对值应该更大,可以观察到上式是符合突出大值的要求的,在这种情况下按照梯度下降法走一步,\(\hat z_k\)的增大量会比其他\(z\)要大,\(\hat p_k\)就会被突出。
另外的想法
网上还有一些说法是,在分类问题中我们只关心最大值(因为最后输出的答案还是要找一个概率最大的输出),把整个分布拟合的那么像没有意义。
在确定的分类任务中,对于那些错误的类(\(p_k=0\),预测值\(\hat p_k\)是多少并不重要,只要它不是最大的那个就行了,所以它是\(0.1\)还是\(0.01\)并不一定有很大的差别,而均方误差的目标是概率分布的完全拟合,它可能过于严格了。)