在学习了机器学习十大算法之后，我决定将目光投向神经网络，从而攀登深度学习的高峰。这条险路的第一个拦路虎就是Rosenblatt感知器。为什么这么说呢？不仅是因为它开拓性的贡献——感知器是第一个从算法上完整描述的神经网络，而Rosenblatt感知器是感知器作为监督学习的第一个模型。还因为学习Rosenblatt感知器能够帮助了解神经元的结构、信息流的传递以及知识的学习和存储，从而打开看待问题的全新视角——模拟人脑解决问题。当然，仅仅如此的话，它只能说是可口的羔羊，谈不上拦路的猛虎。自然是在理解这一问题时遇到了难处：1)Rosenblatt感知器为什么能收敛？《神经网络与机器学习》中的证明并不理想，它忽略了学习率和初始权重向量的影响；2）学习率和初始权重向量对迭代次数的影响是什么？3）它的更新过程与梯度下降法如此相似，不禁想问两者之间有何联系？4）线性可分两类问题通常在寻找一个分割超平面，Rosenblatt感知器也不例外，能否将这个超平面可视化，从而帮助理解？看！这真的是一个威风凛凛的猛虎，但它吓不倒人。下面开始我们的打虎过程。
认识这只虎——Rosenblatt感知器的结构
介绍感知器就不得不谈神经元的结构。神经元由突触、响应器、激活函数组成，顺序响应输入信号，最终获得输出结果。如图1所示，首先，输入信号的每一个分量由突触加权，再与偏置一起由响应器求和，之后通过激活函数获得输出。
响应器对突触加权后的信号和偏置求和，得到响应值：
常用的激活函数有阈值函数，Sigmoid函数和tanh函数。为纪念McCulloch和Pitts（1943）的开拓性工作，激活函数为阈值函数的神经元也被称为McCulloch-Pitts模型，此时：
图1 神经元结构
Rosenblatt感知器建立在McCulloch-Pitts神经元模型上，以解决线性可分的两类问题。两类记为{+1，-1}，此时：
在神经元进行学习分类问题时，每一个样本都将作为一个刺激传入神经元。输入信号是每一个样本的特征，期望的输出是该样本的类别。当输出与类别不同时，我们将调整突触权值，直到每个样本的输出与类别相同。
老虎要发威——Rosenblatt感知器的更新过程
到目前为止，我们了解了Rosenblatt感知器的工作流程，但还没有解释它如何对于误分类的刺激调整权重值。在此之前，我们先定义输入的数据，方便后续的描述及推导。假设我们的样本采自m维空间Rm，每个样本由特征值和类别组成，记为X，于是：
当我们挑选样本x(k)（第k个刺激并不等于第k个样本，同一个样本可能反复成为刺激）刺激神经元时，有：
为了让上式更为简洁，我们将x(k)和wk增加一维：
此时：
神经元对刺激x^(k)的输出为：
到这里，我们完成了对Rosenblattt感知器的推导，其伪代码为：
老虎会防御——谜一样的感知器收敛原理
Rosenblatt感知器对于线性可分的两类问题总是有效的，但采用的方式与高斯分类器、逻辑回归、决策树还有SVM截然不同。那么能否保证它对所有线性可分的两类问题都能收敛？下面将利用夹逼定理对收敛性进行证明。
下界
上界
不等式左边是一个开口向上的一元二次方程，因此必存在，使等式不成立，因此该方法收敛。
老虎怂了——初始权重向量和学习率的影响
老虎搬救兵——感知器背后的随机梯度下降法
如果学习过随机梯度下降法的话，我们就会发现Rosenblatt感知器与随机梯度下降法间的相似度。
如果我们对Rosenblatt感知器构造损失函数
因此，Rosenblatt感知器的迭代过程实际上是随机梯度下降法的一个简化。由于随机梯度下降法依期望收敛，Rosenblatt感知器也是收敛的。
老虎被参观——Rosenblatt感知器的可视化过程
因此，Rosenblatt感知器可理解为：1）将特征增加一维，新的一维为1，对应神经元中的偏置；2）增维后的特征与样本类别相乘，得到校正后的特征向量；3）寻找一个权重向量，其与所有校正后的特征向量的夹角小于90度。以一维空间的样本为例，
图2 对特征空间进行升维和标签校正
图3 权重向量的更新过程
当权重向量与特征向量夹角大于90度时，调整权重向量，减少两者夹角。最终使其对所有的特征向量夹角都小于90度，实现对样本的正确分类。
打虎心得——最后的总结
最开始学Rosenblatt感知器时，只是想把收敛原理搞清楚，但搞懂之后，有两点是之前没有预料到的：1）它隐含一个损失函数，而这个损失函数不需要像逻辑回归一样由一个logit函数进行转换；2）之前对线性可分停留在可以找到一个超平面，左边一类，右边一类。但对于超平面与样本之间有何联连并不清楚，现在明白两者对应m+1维空间两个夹角小于90度的超平面。
好了，打虎到此结束，有缘再会。
共同学习，写下你的评论
评论加载中...
作者其他优质文章
