1. 什么是L2正则化

[success] L2正则化,别名:权重衰减,weight decay,L2参数惩罚,岭回归,Tikhonov 正则

在第5.2节中我们已经看到过最简单而又最常见的参数范数惩罚,即通常被称为权重衰减(weight decay)的L2L^2参数范数惩罚。 这个正则化策略通过向目标函数添加一个正则项Ω(θ)=12w22\Omega(\theta) = \frac{1}{2} ||{w}||_2^2,使权重更加接近原点。

[info] 更一般地,我们可以将参数正则化为接近空间中的任意特定点,令人惊讶的是这样也仍有正则化效果,但是特定点越接近真实值结果越好。 当我们不知道正确的值应该是正还是负时,零是有意义的默认值。 由于模型参数正则化为零的情况更为常见,我们将只探讨这种特殊情况。

  

例如假设要训练的模型与另一个已经训练的模型非常相似,可以令这个模型的参数接近已经训练模型的参数。

在其他学术圈,L2L^2也被称为岭回归或Tikhonov正则。

我们可以通过研究正则化后目标函数的梯度,洞察一些权重衰减的正则化表现。 为了简单起见,我们假定其中没有偏置参数,因此θ\theta就是ww

[success] 在下文中会出现θ\theta和w混用的情况,把所有θ\theta都看作是w就可以了。

这样一个模型具有以下总的目标函数:

J~(w;X,y)=α2ww+J(w;X,y) \begin{aligned} \tilde{J}(w;X, y) =\frac{\alpha}{2} w^\top w + J(w;X, y) \end{aligned}

[success]
J(w;X,y)J(w;X, y)为基本代价函数。
J~(w;X,y)\tilde{J}(w;X, y)正则化的代价函数。

与之对应的梯度为

wJ~(w;X,y)=αw+wJ(w;X,y) \begin{aligned} \nabla_{w} \tilde{J}(w;X,y) =\alpha w + \nabla_{w} J(w;X, y) \end{aligned}

使用单步梯度下降更新权重,即执行以下更新:

wwϵ(αw+wJ(w;X,y)) \begin{aligned} w \leftarrow w - \epsilon(\alpha w + \nabla_{w} J(w;X, y)) \end{aligned}

换种写法就是:

w(1ϵα)wϵwJ(w;X,y) \begin{aligned} w \leftarrow (1-\epsilon \alpha)w - \epsilon \nabla_{w} J(w;X, y) \end{aligned}

我们可以看到,加入权重衰减后会引起学习规则的修改,即在每步执行通常的梯度更新之前先收缩权重向量(将权重向量乘以一个常数因子)

[success] 这就是“weight decay”的含义。

这是单个步骤发生的变化。 但是,在训练的整个过程会发生什么呢?

2. L2正则化的效果

我们进一步简化分析,令ww^*为未正则化的目标函数取得最小训练误差时的权重向量,即w=argminwJ(w)w^* = \arg\min_{w} J(w), 并在ww^*的邻域对目标函数做二次近似。

[success]
当w=w时,J(w)取到最小值,此时wJ(w;X,y)=0\nabla_{w} J(w;X, y)=0
*问:什么叫“对目标函数做二次近似”?

答:将目标函数按照泰勒公式展开,并保留其中的函数项、一阶项和二阶项。即:
J(θ)=J(w)J(w)+(ww)wJ(w;X,y)+12(ww)H(ww) \begin{aligned} J(\theta) = J(w) \approx & J(w^*) + \\ & (w - w^*)^\top \nabla_{w} J(w;X, y) + \\ & \frac{1}{2}(w - w^*)^\top H (w - w^*) \end{aligned}

如果目标函数确实是二次的(如以均方误差拟合线性回归模型的情况),则该近似是完美的。

[success]
在二阶近似的过程中,将展开项中高于二阶的项都省略掉的,因此只是近似。
但如果目标函数本身是二次的,那么它展开后高于二阶的项都是0。省略的都是0项,因此说该近似是完美的。

近似的J^(θ)\hat J(\theta)如下

J^(θ)=J(w)+12(ww)H(ww), \begin{aligned} \hat J(\theta) = J(w^*) + \frac{1}{2}(w - w^*)^\top H (w - w^*), \end{aligned}

[danger] 注意这里是J^(θ)\hat J(\theta),表示对基本代价函数J(θ)J(\theta)的近似,与上文中表示带正则化项的代价函数J~(θ)\tilde J(\theta)是不同的。

其中H是J在ww^*处计算的Hessian矩阵(关于w)。

[success] Hessian矩阵

因为ww^*被定义为最优,即梯度消失为00,所以该二次近似中没有一阶项。 同样地,因为ww^*是J的一个最优点,我们可以得出H是半正定的结论。

[success] 半正定矩阵
根据Hessian矩阵的性质,当w处是极小值时,H矩阵是半正定的。

J^\hat J取得最小时,其梯度公式(7.7)

wJ^(w)=H(ww) \begin{aligned} \nabla_{w} \hat{J}(w) = H (w - w^*) \end{aligned}

为0。

[success] 公式(7.7)的意思是,函数J^(w)\hat J(w)在w处的梯度为H(ww)H (w - w^*)

[warning] J^(w)\hat{J}(w)的梯度wJ^(w)\nabla_{w} \hat{J}(w)是怎么推导出来的?

为了研究权重衰减带来的影响,我们在式(7.7)中添加权重衰减的梯度。

[success] J^(θ)\hat J(\theta)近似J(θ)J(\theta),所以认为wJ(θ)=wJ^(θ)\nabla_{w} {J}(\theta) = \nabla_{w} \hat{J}(\theta)
根据公式7.3,计算出wJ~(θ)=αw+wJ(θ)=αw+H(ww)\nabla_{w} \tilde {J}(\theta) = \alpha w + \nabla_{w} {J}(\theta) = \alpha w + H(w-w^*)

现在我们探讨最小化正则化后的J^\hat J。 我们使用变量w~\tilde{w}表示此时的最优点:

αw~+H(w~w)=0(H+αI)w~=Hww~=(H+αI)1Hw(7.10) \begin{aligned} & \alpha \tilde{w} + H (\tilde{w} - w^*) = 0 \\ \Rightarrow & (H + \alpha I) \tilde{w} = H w^* \\ \Rightarrow & \tilde{w} = (H + \alpha I)^{-1} H w^* & (7.10) \end{aligned}

α\alpha趋向于0时,正则化的解w~\tilde{w}会趋向ww^*。 那么当α\alpha增加时会发生什么呢? 因为H是实对称的,所以我们可以将其分解为一个对角矩阵Λ\Lambda和一组特征向量的标准正交基QQ,并且有H=QΛQH = Q \Lambda Q^\top

[success]
实对称矩阵的特征分解
标准正交

将其应用于公式7.10,可得:

w~=(QΛQ+αI)1QΛQw=[Q(Λ+αI)Q]1QΛQw=Q(Λ+αI)1ΛQw(7.13) \begin{aligned} \tilde w &= ( Q \Lambda Q^\top + \alpha I)^{-1} Q \Lambda Q^\top w^* \\ &= [ Q( \Lambda+ \alpha I) Q^\top ]^{-1} Q \Lambda Q^\top w^* \\ &= Q( \Lambda+ \alpha I)^{-1} \Lambda Q^\top w^* & (7.13) \end{aligned}

[success] 以上公式推导过程会用到标准正交矩阵的性质。
Q是标准正交矩阵,因此满足Q=Q1Q^\top = Q^{-1}

我们可以看到权重衰减的效果是沿着由H的特征向量所定义的轴缩放ww^*

[success] Q是H的特征向量组成的矩阵。因此公式7.13看作是对w*沿着H的特征向量所定义的轴缩放。

具体来说,我们会根据λiλi+α\frac{\lambda_i}{\lambda_i + \alpha}因子缩放与HHii个特征向量对齐的ww^*的分量。

[success] (Λ+αI)1Λ( \Lambda+ \alpha I)^{-1} \Lambda是对角矩阵,对角线上的值为λiλi+α\frac{\lambda_i}{\lambda_i + \alpha},因此可以把对角线的值可以看作是对应特征向量的轴上的缩放比例。

(不妨查看图2.3回顾这种缩放的原理)。

[info] 图2.3

沿着H特征值较大的方向(如λiα\lambda_i \gg \alpha)正则化的影响较小。 而λiα\lambda_i \ll \alpha的分量将会收缩到几乎为零。 这种效应如图7.1所示。

只有在显著减小目标函数方向上的参数会保留得相对完好。

[warning] “显著减小目标函数方向”与"λ\lambda很大的方向"怎么联系?

在无助于目标函数减小的方向(对应Hessian矩阵较小的特征值)上改变参数不会显著增加梯度。 这种不重要方向对应的分量会在训练过程中因正则化而衰减掉。

3. L2正则化在机器学习中的效果

目前为止,我们讨论了权重衰减对优化一个抽象通用的二次代价函数的影响。 这些影响具体是怎么和机器学习关联的呢? 我们可以研究线性回归,它的真实代价函数是二次的,因此我们可以使用相同的方法分析。 再次应用分析,我们会在这种情况下得到相同的结果,但这次我们使用训练数据的术语表述。 线性回归的代价函数是平方误差之和:

[warning] 对于线性回归来说,cross-entropy代价函数与MSE代价函数是等价的。
其它情况呢?怎么计算cross entropy的代价函数。

(Xwy)(Xwy) \begin{aligned} (X w - y)^\top (X w - y) \end{aligned}

我们添加L2L^2正则项后,目标函数变为

(Xwy)(Xwy)+12αww. \begin{aligned} (X w - y)^\top (X w - y) + \frac{1}{2}\alpha w^\top w. \end{aligned}

这将普通方程的解从

w=(XX)1Xy(7.16) \begin{aligned} w = (X^\top X)^{-1} X^\top y & (7.16) \end{aligned}

变为

w=(XX+αI)1Xy(7.17) \begin{aligned} w = (X^\top X + \alpha I)^{-1} X^\top y && (7.17) \end{aligned}

公式7.16中的矩阵XXX^\top X与协方差矩阵1mXX\frac{1}{m}X^\top X成正比。 L2L^2正则项将这个矩阵替换为公式7.17中的(XX+αI)1 (X^\top X + \alpha I)^{-1} 这个新矩阵与原来的是一样的,不同的仅仅是在对角加了α\alpha。 这个矩阵的对角项对应每个输入特征的方差。 我们可以看到,L2L^2正则化能让学习算法“感知”到输入x具有较高的方差,这会使得学习算法压缩那些与输出目标的协方差较小(相对增加方差)的特征的权重。

[warning] [?]与输出目标的协方差?

results matching ""

    No results matching ""