引
我很喜欢这一篇文章,因为证明用到的知识并不难,但是却用的很巧,数学真是太牛了,这些人的嗅觉怎么这么好呢?
这篇文章,归根结底就是想说明一个问题,就是和一般的认知不同,随着神经网络的加深,参数更新的收敛速度并不会下降,感觉也有很多论文论述了深度depth的重要性.
不过,这篇文章,是在线性神经网络上做的一个分析,另外,标题中的Acceleration并没有很好的理论支撑,作者给出了几个特例和一些实验论据。我想作者肯定尝试过,但是想要证明想想就不易,至少得弄出个(O(T^?))之类的.
虽然理论支撑不够,但是我感觉还是很厉害了.
主要内容
首先,为了排除一些干扰因素,就是Acceleration来自于俩个网络的表达能力不同,神经网络(N_1,N_2), 如果二者的收敛速度不同,原因可能是(N_1)和(N_2)能让损失下降的程度不同. 而在线性网络中,层数增加并不会改变网络的表达能力.
(L(W))是关于(Win R^{k imes d})的损失函数,这个网络的表达能力和(L(W_NW_{N-1}cdots W_1))的表达能力是相同的,如果(W_NW_{N-1}cdots W_1in R^{k imes d}).
对上面的结论,有一点点存疑,假设后者的最优为((W_N^*, W_{N-1}^*,ldots,W_1^*)),那么只要让(W=W_N^* W_{N-1}^*cdots W_1^*)即可,所以(L(W^*)le L(W_N^* W_{N-1}^*cdots W_1^*)).
反过来似乎不一定,假设(N=2), (W_2 in R^{k imes 1}, W_1 in R^{1 imes d}), 但是利用here的结果,只要(W_iin R^{d_i imes d_{i-1}}), 满足(d_i ge min {k, d})且(L)关于(W)为凸函数,就能说明等价. 居然还用上了之前看过的结果.
符号可能有点多,尽可能简化点吧. (x in R^d)为样本,(yin R^k)为输出,
显然(n_N=k,n_0=d). 假设(L^N(cdot))是关于((W_N,W_{N-1},cdots, W_1))的函数, 可得
不要觉得这么做多此一举,不然后面证明的时候会弄乱的.
梯度下降采用了类似momentum的感觉,但是又有点不一样:
(eta>0)的学习率,(lambda ge 0)是权重的递减系数.
定义
故(L^N(W_N,ldots,W_1)=L^1(W_e)).
作者假设(eta),也就是学习率是一个小量,所以上面的式子可以从微分方程的角度去看
怎么说呢,这个所以,我的理解是(eta)很小的时候,(W_j(t))很平缓,所以可以认为导数和(Delta t=1)的时候是一样的?
看了之前有一篇类似的Oja'rule也用了这种方法,感觉作者的意思应该是如果:
此时,
我觉得应该是这个样子的,不过对于最后的结果没有影响.
定理1
定理1 假设权重矩阵(W_1, ldots W_N)满足微分方程:
且
则权重矩阵(W_e)的变化满足下列微分方程:
其中([cdot]^{frac{q}{p}})是关于半正定矩阵的一个定义,假如:
对角矩阵(D^{frac{q}{p}})是让对角线元素的(D_{ii}^{frac{q}{p}}).
所以,权重(W_e)的更新变换近似于:
Claim 1
上面的更新实际上让人看不出一个所以然来,所以作者给出了一个向量形式的更新方式,可以更加直观地展现其中地奥秘.
Claim 1 对于任意矩阵(A), 定义(vec(A))为由矩阵(A)按列重排后的向量形式. 于是,
其中(P_{W_e^{(t)}})是一个半正定矩阵,依赖于(W_e), 假设
其中(U = [u_1,u_2, ldots,u_k]in R^{k imes k}, V=[v_1,v_2,ldots,v_d] in R^{d imes d}), (D)的对角线元素,即(W_e^{(t)})的奇异值从大到小为(sigma_1,sigma_2,ldots, sigma_{max {k, d}}), 则(P_{W_e^{(t)}})的特征向量和对应的特征值为:
这说明了什么呢?也就是overparameterization后的更新,(W_e^{(t+1)})的更新,也就是(vec(W_e ^{(t+1)}))的更新倾向于(vec(u_1v_1^{T})), 感觉这一点就和一些梯度下降方法的思想有点类似了,借用之前的成果. 而且,这个借用,会有一种坐标之间的互相沟通,一般的下降方法是不具备这一点的.
Claim 2
定理2
定理2 假设(frac{mathrm{d}L^1}{mathrm{d}W})在(W=0)处有定义,(W=0)的某个邻域内连续,那么对于给定的(N in N, N > 2), 定义:
那么,不存在关于(W)的一个函数,其梯度场为(F).
定理2的意义在于,它告诉我们,overparameterization的方法是不能通过添加正则项来实现的,因为(F(W))不存在原函数,所以诸如
的操作是不可能实现overparametrization的更新变化的.
证明思路是,构造一个封闭曲线,证明(F(W))在其上的线积分不为0. (太帅了...)
证明
定理1的证明
首先是一些符号:
用
表示块对角矩阵.
容易证明(其实费了一番功夫,但是不想写下来,因为每次都会忘,如果下次忘了,就再推一次当惩罚):
于是
第(j)个等式俩边右乘(W_j^T(t)), 第(j+1)个等式俩边左乘(W_{j+1}^T(t))可得:
俩边乘以2
令(C_j(t):=W_j(t)W_j^T(t), C_j'(t):=W_j^T(t)W_j(t)), 则
注意,我们将上面的等式改写以下,等价于
用(y(t):=(C'_{j+1}-C_j)(t)), 则
另外有初值条件(y(t_0)=0)(这是题设的条件).
容易知道,上面的微分方程的解为(yequiv0).
所以
假设(W_j(t))的奇异值分解为
且假设(Sigma_j)的对角线元素,即奇异值是从大到小排列的.
则可得
显然(Sigma_{j+1}^TSigma_{j+1}=Sigma_j Sigma_j^T), 这是因为一个矩阵的特征值是固定的(如果顺序固定的话),特征向量是不一定的,因为可能有多个相同的特征值,那么对于一个特征值的子空间的任意正交基都可以作为特征向量,也就是说
其中(I_{d_r} in R^{d_r imes d_r})是单位矩阵, (O_{j,r} in R^{d_r imes d_r})是正交矩阵.
所以对于(j=1ldots N-1), 成立
(j=N)有
故
注意,上面的推导需要用到:
既然
那么
上式左端为(dot{W}_e(t)), 于是
再利用(23)(24)的结论
Claim 1 的证明
Kronecker product (克罗内克积)
网上似乎都用(otimes), 不过这里还是遵循论文的使用规范吧, 用(odot)来表示Kronecker product:
其中(A in R^{m_a imes n_a}, B in R^{m_b imes n_b}).
容易证明 (A odot B)的第(rn_b + s, r = 0, 1, ldots, n_a-1, s = 0, 1, ldots, n_b-1)列为:
其中(B_{*j})表示(B)的第(j)列, 沿用(vec(A))为(A)的列展开. 相应的,(A odot B)的第(pm_b+q, p=0,1,ldots,m_a-1,q=0, 1, ldots, m_b-1)行为:
其中(A_{i*})表示(A)的第(i)行.
用([Aodot B]_{(p,q,r,s)})表示([A odot B])的第(rn_b+s)列(pm_b+q)行的元素, 则
另外(I_{d_1} odot I_{d_2} = I_{d_1d_2}).
下面再证明几个重要的性质:
((A_1 odot A_2)(B_1 odot B_2) = (A_1 B_1) odot (A_2B_2))
假设(A_1 in R^{m_1 imes l_1}, B_1 in R^{l_1 imes n_1}, A_2 in R^{m_2 imes l_2}, B_2 in R^{l_2 imes n_2}), 则
考察俩边矩阵的((pm_2+q,rn_2+s))的元素,
得证. 注意,倒数第四个等式到倒数第三个用到了迹的可交换性.
((A odot B)^T=A^T odot B^T)
(A^T=A^{-1},B^T=B^{-1} Rightarrow (A odot B)^T = (A odot B)^{-1})
所以((A odot B)^T = (A odot B)^{-1}).
回到Claim 1 的证明上来,容易证明
于是
第二个等式用到了((A_1 odot A_2)(B_1 odot B_2) = (A_1 B_1) odot (A_2B_2)).
只需要证明:
等价于(P_{W_e}). 令
其中(U in R^{k imes k}, V in R^{d imes d}).
所以
第三个等式用了俩次((A_1 odot A_2)(B_1 odot B_2) = (A_1 B_1) odot (A_2B_2)).
定义:
则
剩下的,关于(O)的列
(Lambda)的对角元素:
只是一些简单的推导罢了.
Theorem 2 的证明
这个证明我不想贴在这里,因为这个证明我只能看懂,所以想知道就直接看原文吧.
代码
虽然只是用了一个很简单的例子做实验,但是感觉,这个迭代算法很吃初始值. 就像Claim 1 所解释的那样,这个下降方法,会更倾向于之前的方向,也就是之前的错了,后面也会错?
y1设置为100, y2设置为1, lr=0.005, 会出现(也有可能是收敛不到0):
这种下降的方式是蛮恐怖的啊,但是感觉实在是不稳定. 当然,也有可能是程序写的太烂了.
"""
On the Optimization of Deep
Net works: Implicit Acceleration by
Overparameterization
"""
import numpy as np
import torch
import torch.nn as nn
from torch.optim.optimizer import Optimizer, required
class Net(nn.Module):
def __init__(self, d, k):
"""
:param k: 输出维度
:param d: 输入维度
"""
super(Net, self).__init__()
self.d = d
self.dense = nn.Sequential(
nn.Linear(d, k)
)
def forward(self, input):
x = input.view(-1, self.d)
output = self.dense(x)
return output
class Overparameter(Optimizer):
def __init__(self, params, N, lr=required, weight_decay=1.):
defaults = dict(lr=lr)
super(Overparameter, self).__init__(params, defaults)
self.N = N
self.weight_decay = weight_decay
def __setstate__(self, state):
super(Overparameter, self).__setstate__(state)
print("????")
print(state)
print("????")
def step(self, colsure=None):
def calc_part2(W, dw, N):
dw = dw.detach().numpy()
w = W.detach().numpy()
norm = np.linalg.norm(w, 2)
part2 = norm ** (2-2/N) * (
dw +
(N - 1) * (w @ dw.T) * w / (norm ** 2 + 1e-5)
)
return torch.from_numpy(part2)
p = self.param_groups[0]['params'][0]
if p.grad is None:
return 0
d_p = p.grad.data
part1 = (self.weight_decay * p.data).float()
part2 = (calc_part2(p, d_p, self.N)).float()
p.data -= self.param_groups[0]['lr'] * (part1+part2)
return 1
class L4Loss(nn.Module):
def __init__(self):
super(L4Loss, self).__init__()
def forward(self, x, y):
return torch.norm(x-y, 4)
x1 = torch.tensor([1., 0])
y1 = torch.tensor(10.)
x2 = torch.tensor([0, 1.])
y2 = torch.tensor(2.)
net = Net(2, 1)
criterion = L4Loss()
opti = Overparameter(net.parameters(), 4, lr=0.01)
loss_store = []
for epoch in range(500):
running_loss = 0.0
out1 = net(x1)
loss1 = criterion(out1, y1)
opti.zero_grad()
loss1.backward()
opti.step()
running_loss += loss1.item()
out2 = net(x2)
loss2 = criterion(out2, y2)
opti.zero_grad()
loss2.backward()
opti.step()
running_loss += loss2.item()
#print(running_loss)
loss_store.append(running_loss)
net = Net(2, 1)
criterion = nn.MSELoss()
opti = torch.optim.SGD(net.parameters(), lr=0.01)
loss_store2 = []
for epoch in range(500):
running_loss = 0.0
out1 = net(x1)
loss1 = criterion(out1, y1)
opti.zero_grad()
loss1.backward()
opti.step()
running_loss += loss1.item()
out2 = net(x2)
loss2 = criterion(out2, y2)
opti.zero_grad()
loss2.backward()
opti.step()
running_loss += loss2.item()
#print(running_loss)
loss_store2.append(running_loss)
import matplotlib.pyplot as plt
plt.plot(range(len(loss_store)), loss_store, color="red", label="Over")
plt.plot(range(len(loss_store2)), loss_store2, color="blue", label="normal")
plt.legend()
plt.show()