深度学习系列 Part (1)

传统机器学习的回顾

近年来，深度学习的概念十分火热，人工智能也由于这一技术的兴起，在近几年吸引了越来越多的关注。我们这里，将结合一些基本的用例，简要的介绍一下这一新的技术。

我们首先需要明确人工智能、机器学习以及深度学习三者之间的关系。如NVIDIA官网所述，人工智能是一个非常大的概念，而机器学习只是人工智能的一种实现方法。深度学习是同样也是一种实现机器学习的方法，是在机器学习的基础上建立起来的。这体现在，首先从字面上看，二者都是在“学习”，因此在评价深度学习训练出的模型好坏时，同样直接来源于机器学习的评价方法。其次，深度学习最常见的形式，深度神经网络，直接脱胎于机器学习中的神经网络模型。

因此，本文主要将从评价方法以及模型实现这两个方面，基于传统机器学习的概念，谈一谈深度学习。

---

1. 机器学习的评价方法

我们首先讲一下评价方法问题。为了让本文看起来更加有趣，我们不妨把“机器”理解为“学生”。我们知道，学生有所谓的“好学生”，通常我们搞应试教育，学习成绩好的是“好学生”，不好的就不是“好学生”，但现在流行素质教育，从素质教育的角度看，可能有的学生学习成绩中等，但是团结同学、体育优秀、能歌善舞，这样也算是好学生。

这就涉及到了不同评价标准的问题——应试教育和素质教育。机器学习同样有这两种评价方式，应试教育、唯分数论的监督学习，和素质教育、综合考量并不明确打分的非监督学习。注意这里有一个误区，即可能现在认为素质教育优于应试教育，近期大牛们也一再强调非监督算法的重要意义。但实际上如果拿到一个学习任务，具体使用哪一种方式去分析，还是需要考虑应用场景。通常我们不了解这个学习任务的目的性、需要找线索时，会用非监督找线索，方法包括聚类、降维。而如果明确了学习的目的性，追求高准确率，这时候就需要使用监督学习的方法。

具体举一个鸢尾花分类的例子。我们使用 费雪鸢尾花卉数据集（Fisher's Iris data set），它最初是埃德加·安德森从加拿大加斯帕半岛上的鸢尾属花朵中提取的地理变异数据，包含了150个样本，都属于鸢尾属下的三个亚属，分别是山鸢尾（0）、变色鸢尾（1）和维吉尼亚鸢尾（2）。四个特征被用作样本的定量分析，它们分别是花萼(Sepal)和花瓣(Petal)的长度和宽度：

Sepal Length	Sepal Width	Petal Length	Petal Width	Species
5.1	3.5	1.4	0.2	0
4.9	3.0	1.4	0.2	0
4.7	3.2	1.3	0.2	0
...	...	...	...	...
7.0	3.2	4.7	1.4	1
6.4	3.2	4.5	1.5	1
6.9	3.1	4.9	1.5	1
...	...	...	...	...
6.5	3.0	5.2	2.0	2
6.2	3.4	5.4	2.3	2
5.9	3.0	5.1	1.8	2

于是，我们就想，是否可以用鸢尾花数据集里面包含的四个特征，去预测花的种类？如果要这么做，我们首先应该明确不同种类的鸢尾花，这四个特征是否真的有区别（非监督学习），如果确实有所区别，我们就可以在此基础上，用这几个特征去追求高的分类准确性（监督学习）。下面部分我们逐个执行这些步骤。

1.1 使用数据可视化、降维、聚类等非监督方法，探索数据特征

首先展示不同种类鸢尾花四个数据两两组合的情况，如下：

Python 3重置复制

Python示例代码

 

 

 

 

 

1

import matplotlib.pyplot as plt

2

from sklearn import datasets

3

import seaborn as sns

4

​

5

%matplotlib inline

6

​

7

data = datasets.load_iris()

8

X = data.data

9

color = data.target

10

sns.set_style("white")

11

​

12

# compatibility matplotlib < 1.0

13

df = sns.load_dataset("iris")

14

sns.pairplot(df, hue="species")

 

 

运行

这些特征的两两组合，起来确实和花的种类有关。但实际上我们总共有四个维度，这里只能看见两个，我们能否将四个维度换成两个维度、展示在一个平面上呢？这里使用了多种非监督的降维方法，尝试去从非监督的角度，展示不同种类之间的区别：

Python 3重置复制

Python示例代码

 

 

 

 

 

1

import matplotlib.pyplot as plt

2

from sklearn import datasets

3

import seaborn as sns

4

​

5

%matplotlib inline

6

​

7

data = datasets.load_iris()

8

X = data.data

9

color = data.target

10

sns.set_style("white")

11

​

12

​

13

from sklearn import decomposition

14

from sklearn import manifold

15

from matplotlib.ticker import NullFormatter

16

from time import time

17

​

18

n_components = 2

19

n_neighbors = 10

20

data = datasets.load_iris()

21

X = data.data

22

color = data.target

23

​

24

fig = plt.figure(figsize=(15, 4))

25

​

26

​

27

t0 = time()

28

Y = manifold.Isomap(n_neighbors, n_components).fit_transform(X)

29

t1 = time()

30

print("Isomap: %.2g sec" % (t1 - t0))

31

ax = fig.add_subplot(151)

32

plt.scatter(Y[:, 0], Y[:, 1], c=color, cmap=plt.cm.Set1)

33

plt.title("Isomap (%.2g sec)" % (t1 - t0))

34

ax.xaxis.set_major_formatter(NullFormatter())

35

ax.yaxis.set_major_formatter(NullFormatter())

36

plt.axis('tight')

37

​

38

​

39

t0 = time()

40

mds = manifold.MDS(n_components, max_iter=100, n_init=1)

41

Y = mds.fit_transform(X)

42

t1 = time()

43

print("MDS: %.2g sec" % (t1 - t0))

44

ax = fig.add_subplot(152)

45

plt.scatter(Y[:, 0], Y[:, 1], c=color, cmap=plt.cm.Set1)

46

plt.title("MDS (%.2g sec)" % (t1 - t0))

47

ax.xaxis.set_major_formatter(NullFormatter())

48

ax.yaxis.set_major_formatter(NullFormatter())

49

plt.axis('tight')

50

​

51

​

52

t0 = time()

53

se = manifold.SpectralEmbedding(n_components=n_components,

54

                                n_neighbors=n_neighbors)

55

Y = se.fit_transform(X)

56

t1 = time()

57

print("SpectralEmbedding: %.2g sec" % (t1 - t0))

58

ax = fig.add_subplot(153)

59

plt.scatter(Y[:, 0], Y[:, 1], c=color, cmap=plt.cm.Set1)

60

plt.title("SpectralEmbedding (%.2g sec)" % (t1 - t0))

61

ax.xaxis.set_major_formatter(NullFormatter())

62

ax.yaxis.set_major_formatter(NullFormatter())

63

plt.axis('tight')

64

​

65

t0 = time()

66

pca = decomposition.PCA(n_components=n_components)

67

pca.fit(X)

68

Y = pca.transform(X)

69

​

70

t1 = time()

71

print("PCA: %.2g sec" % (t1 - t0))

72

ax = fig.add_subplot(154)

73

plt.scatter(Y[:, 0], Y[:, 1], c=color, cmap=plt.cm.Set1)

74

plt.title("PCA (%.2g sec)" % (t1 - t0))

75

ax.xaxis.set_major_formatter(NullFormatter())

76

ax.yaxis.set_major_formatter(NullFormatter())

77

plt.axis('tight')

78

​

79

​

80

t0 = time()

81

tsne = manifold.TSNE(n_components=n_components, init='pca', random_state=0, perplexity=40)

82

Y = tsne.fit_transform(X)

83

t1 = time()

84

print("t-SNE: %.2g sec" % (t1 - t0))

85

ax = fig.add_subplot(155)

86

plt.scatter(Y[:, 0], Y[:, 1], c=color, cmap=plt.cm.Set1)

87

plt.title("t-SNE (%.2g sec)" % (t1 - t0))

88

ax.xaxis.set_major_formatter(NullFormatter())

89

ax.yaxis.set_major_formatter(NullFormatter())

90

plt.axis('tight')

91

​

92

plt.show()

 

 

运行

我们可以看到基于花萼(Sepal)和花瓣(Petal)的长度和宽度特征，可以通过非监督的数学方法，在降维后，将三种鸢尾花分开。由此，我们明确了学习的目的性（根据花萼和花瓣的长度和宽度特征，对三种鸢尾花分类）。其中第一类和其他两类可以很好区分，而第二类、第三类之间区分度并不好，这也是一个潜在的问题。

1.2 基于特征的监督模型预测

明确目的之后，我们就可以采用监督学习的方法，使用模型进行分类。监督学习有很多模型，包括深度学习中的神经网络模型。监督学习的基础，是我们已知一部分数据以及其对应的结果，对这些已知结果的数据进行建模，使模型预测的结果和已知的结果越接近越好。这种接近的程度用损失函数来表示，进而通过最小化这个损失函数，得到最优模型。

经典的机器学习方法，可以基于高斯过程：

也可以使用基于核方法的支持向量机：

更可以通过决策树的集成：

同时也可以使用 Tensorflow ，建立一个包含三个隐藏层深度神经网络。以下例子来自 Tensorflow 官网:

Python 3重置复制

Python示例代码

 

 

 

 

 

1

from __future__ import absolute_import

2

from __future__ import division

3

from __future__ import print_function

4

​

5

import os

6

import urllib

7

​

8

import tensorflow as tf

9

import numpy as np

10

​

11

IRIS_TRAINING = "iris_training.csv"

12

IRIS_TEST = "iris_test.csv"

13

​

14

# 下载数据

15

for infile in [IRIS_TRAINING, IRIS_TEST]:

16

    if not os.path.exists(infile):

17

        raw = urllib.urlopen("http://download.tensorflow.org/data/%s" % IRIS_TRAINING_URL).read()

18

        with open(infile,'w') as f:

19

            f.write(raw)

20

​

21

training_set = tf.contrib.learn.datasets.base.load_csv_with_header(

22

          filename=IRIS_TRAINING,

23

          target_dtype=np.int,

24

          features_dtype=np.float32)

25

​

26

test_set = tf.contrib.learn.datasets.base.load_csv_with_header(

27

          filename=IRIS_TEST,

28

          target_dtype=np.int,

29

          features_dtype=np.float32)

30

​

31

​

32

# 使用花萼花瓣的长宽作为输入特征

33

feature_columns = [tf.contrib.layers.real_valued_column("", dimension=4)]

34

​

35

# 建立一个三层的神经网络，每层分别包含 10个、 20个、 10个隐藏单元。

36

classifier = tf.contrib.learn.DNNClassifier(feature_columns=feature_columns,

37

                                               hidden_units=[10, 20, 10],

38

                                               n_classes=3,

39

                                               model_dir="/tmp/iris_model")

40

​

41

# 训练数据转化成 Tensorflow 格式

42

def get_train_inputs():

43

    x = tf.constant(training_set.data)

44

    y = tf.constant(training_set.target)

45

    return x, y

46

​

47

# 训练模型

48

classifier.fit(input_fn=get_train_inputs, steps=2000)

49

​

50

# 测试数据转换成 Tensorflow 格式

51

def get_test_inputs():

52

    x = tf.constant(test_set.data)

53

    y = tf.constant(test_set.target)

54

​

55

    return x, y

56

​

57

# 评价准确率

58

accuracy_score = classifier.evaluate(input_fn=get_test_inputs,

59

                                     steps=1)["accuracy"]

60

​

61

print("
Test Accuracy: {0:f}
".format(accuracy_score))

 

 

运行

最终这个简单的深度神经网络模型，会实现一个 96% 的分类准确率。

1.3 结果的评价指标以及潜在问题

注意这里最优模型拼准确率时，有一个很大的问题，就是数据分布不平均时，单纯的使用错误率作为标准，会有很大的问题。比如某一种罕见疾病的发病率是万分之一(0.01%) ，这时候如果一个模型什么都不管，直接认为这个人没有病，也能拿到一个 99.99%正确的模型。如何正确衡量这个问题？如果是经典的二分类问题，这种情况下我们需要综合考虑 灵敏度以及 假阳性率，用这两个指标计算ROC 曲线，继而计算 ROC 围成的面积——AUC 值 （详见这里）。 这种情况下，我们可以认为，AUC 值越高越好。

注意这里AUC 越高越好和最小化损失函数这两个概念，这里意味着，可能某个模型，损失函数已经最小化了，但是AUC 却并不高，造成模型在实际使用时，会引入很多错误——一个较低的 AUC 值，可能会在追求高灵敏度时引入了大量的假阳性，正如古话所言，“宁可错杀一万，不可放过一个”，后果就是可能医生通知了十位患者有患癌风险，最终可能只有一位真有问题，其他九人虚惊一场。这种情况，模型并未被很好的训练，可能存在着 欠拟合 的问题。同时，也可能损失函数最小化以后，测试数据 AUC 也很高，但是实际运用在真实案例中，却又有大量的错误，这种情况被称作 过拟合。

那么如何避免这两种问题呢？前面提到，监督学习如同“应试教育”，所以机器学习过程为了避免这两种常见问题，也使用了一种类似“题海战术”的策略，即老师手里有一堆题目，不会全都给学生，会分成三个部分，一部分作为 训练集（平时作业），一部分作为验证集（平时考试），最后还有 测试集（中考高考）。训练集有数据也有答案，验证集同样有数据有答案，但和平时课堂测试一样，答案是考完试才给看的。而用到测试集时，才会最终评价模型的优劣，如同学生平时作业得分第一，但高考没有考第一，那他也不是状元。

为了避免平时作业写得好、高考失误这种悲剧，合理的运用平时考试抓差补缺就十分必要。机器学习的过程中，这一条同样成立，具体而言，如果一个学生，作业全对，但是平时考试成绩不好，这种情况用机器学习术语就是 过拟合 了，可能的原因是，机器学习过程中使用了过多的参数去迎合数据，片面追求平时学习过程的准确率，造成知其然不知其所以然的结果，在实际运用过程中表现很差。还有种情况可能更加常见，就是一个学生，写作业错一堆，考试也一堆错，这种情况，就是 欠拟合，可能是学习不够、方法不对，需要更多的特征、更优化的模型。

2. 提高深度学习模型预测的准确性

回到鸢尾花的例子，我们写的最简单的深度学习模型，达到了 96% 的准确性。那么问题来了，如果我们追求的是 100%，如何提高模型的表现？

调整模型的参数，无疑是最简单最快速的方法，但调参并不能从根本上解决分类准确性的问题。如果是数据 欠拟合，则通常需要更多的特征、更优化的模型。

我们首先说 更多的特征，比如我们这里只用了四个特征，花瓣、花萼的长度和宽度。而植物分类学家使用的特征，可能就会包括诸如 “根部是否肥大呈纺锤形”、“外花被裂片附属物有无或附属物是须毛状还是鸡冠状”、“rbcL基因序列和3个限制性位点的比对” 这种更加专业的特征，这些特征可能只有专业人士才能得出结论，甚至需要借助专业的仪器、花费数天时间。

但实际上，植物分类，并不一定要按照植物分类学课本的定义进行，可能普通人看一眼也可以分的差不多。比如我们的三种鸢尾花，我们看起来确实是第一类和第二三类不同，然后二三类之间区别相对更小，但其形状、颜色、纹路等确实有所区别：

因此对于鸢尾花数据集，各种模型可能都并不足以达到100% 准确分类，其背后深层次的原因是，这个数据集可能并没有很好的表征花瓣的形状、颜色、纹路等特征。原因也很简单，数据收集者很难准确用几个数字描述出花瓣的形状，特别是形状极为相似的情况。同时，描述出深紫色、浅紫色的区别也十分困难。于是有一个想法，就是我们能不能直接给出图片，让计算机帮忙标注这些特征，用更多的特征，增加模型准确性？

想让计算机帮忙挖掘、标注这些更多的特征，这就离不开 更优化的模型 了。事实上，这几年深度学习领域的新进展，就是以这个想法为基础产生的。我们可以使用更复杂的深度学习网络，在图片中挖出数以百万计的特征。在这些数以百万计的特征中，可能就包括了我们想到的形状、纹路、颜色等信息，更多的则是我们也无法理解、描述的东西。如下图，使用 Alexnet 深度学习架构，后面的全连接部分（Fully Connection Part）与本节 1.2 部分相同，都是三层隐藏层，但是前面却接了一个卷积部分（Convolutionary Part）,用来在图像中提取各种特征。

我们将在接下来的章节中，详细介绍如何通过深度学习技术，在图像中挖出更多的特征，达到一个更高的分类正确性。