多层感知机介绍

多层感知机（Multilayer Perceptron，MLP），又称为深度前馈网络（Deep Feedforward Network）。多层感知机是用来近似某个函数 $f^{\ast }$。即对于分类器，函数$y=f^{\ast }(x)$，多层感知机定义映射关系为$y=f(x;\theta )$，并学习参数$\theta$的值。这种网络结构被称为前向是因为信息流过$x$的函数，流经用于定义$f$的中间计算过程，最终到达输出$y$。该模型的输出和模型本身之间是没有反馈连接。当前馈神经网络被扩展包含反馈连接时，它们被称为循环神经网络(RNN)。

前馈神经网络之所以被称为网络，是因为它们通常用许多不同函数复合在一起来表示。该模型与一个有向无环图相关联，而图描述了函数是如何复合在一起的。例如，有三个函数$f^{(1)}$、$f^{(2)}$和$f^{(3)}$连接在一个链上以形成
$f(x)=f^{(3)}(f^{(2)}(f^{(1)}))$。在这种情况下，$f^{(1)}$被称为网络的第一层，$f^{(2)}$被称为第二层，以此类推，链的全长称为模型的深度。前馈神经网络的最后一层被称为输出层。而学习算法使用的中间层用以更好的拟合函数的层级被称为隐藏层。这里多层感知机引入了隐藏层，因此我们还要在设计网络的时候，考虑选择这些隐藏层的激活函数。

使用多层感知机学习XOR实例

XOR函数即是异或逻辑函数。这是一个关于两个二进制值$x_1$和$x_2$的运算。当两个输入值有且只有一个值为1时，函数输出为1，其余结果均为0。
因此，该学习任务就是拟合XOR函数，即是满足函数在点
$\mathbb{X}=\{[0,0{]}^{\top },[0,1{]}^{\top },[1,0{]}^{\top },[1,1{]}^{\top }\}$上的取值。
我们可以先尝试使用传统的统计数学方法。

传统统计数学方法（传统机器学习）

使用传统统计数学方法，我们将该问题视为函数回归问题。以均方误差MSE作为损失函数，如下：
$$J(\theta )=\frac{1}{4}\sum _{x\in \mathbb{X}}(f^{\ast }(x)-f(x;\theta ){)}^2$$
然后再定义目标函数$f(x;\theta )$，$\theta$包含$\omega$和$b$，如下：
$$f(x;\omega ,b)=x^{\top }\omega +b$$
再使用统计数学的正规方程关于$\omega$和$b$最小化$J(\theta )$，解得$\omega =0$而$b=\frac{1}{2}$

学习得到得到的线性模型是任意点都输出均为1/2。原因是这个非线性的函数均匀分布，使用线性回归就会将函数拟合到中值线上。
显然，这种方案是不符合我们的预期的。XOR函数是非线性的，通过解线性目标函数的正规方程来拟合是不合理的做法，同样，对于二进制输入问题建模使用MSE作为损失函数也是有欠妥当。然而，求解线性问题永远都要比直接求解非线性问题要简单的多。有一种解决该问题的思路是学习一个特征空间，然后在这个空间中，我们可以使用线性的函数进行表示这个非线性的解。这里就是要通过空间的非线性来割裂函数的线性。
这里我们就可以引入多层感知机

使用多层感知机学习XOR

因为XOR是二进制数据输入，且输出状态仅为二进制的两种情况。所以，这里可以采用一个简单的网络结构。

上图中的网络结构由两个函数连接：$h=f^{(1)}(x;W,c)$和$y=f^{(2)}(h;\omega ,b)$。完整的输入到输出就是$y=f(x;W,c,\omega ,b)=f^{(2)}(f^{(1)}(x))$。
一般地，神经网络通过仿射变换后，使用特定的非线性函数作为激活函数来实现非线性的描述。 因此，这里选用激活函数$g$后，函数$f^{(1)}$为：$h=g(W^{\top }x+c)$，这里W是线性变换的权重矩阵，c为偏置量。而对于激活函数$g$的选择，这里使用比较普遍的整流线性单元（ReLU）。如下式：
g ( z ) = m a x { 0 , z } g(z) = max \{0,z\} g(z)=max{0,z}

因此，整个网络的函数式为：

f ( x ; W , c , ω , b ) = ω ⊤ m a x { 0 , W ⊤ + c } + b f(x;W,c,\omega,b)=\omega^\top max\{0 , W^\top+c\}+b f(x;W,c,ω,b)=ω⊤max{0,W⊤+c}+b
然后，我们就可以通过梯度优化的方法求得XOR问题的解。
$$W=\left[\begin{array}{cc}1& 1\\ 1& 1\end{array}\right]$$
$$c=\left[\begin{array}{c}0\\ -1\end{array}\right]$$
$$\omega =\left[\begin{array}{c}1\\ -2\end{array}\right]$$
$$b=0$$
然后，我们可以把XOR函数的输入带入进行验证，$\mathbb{X}=\{[0,0{]}^{\top },[0,1{]}^{\top },[1,0{]}^{\top },[1,1{]}^{\top }\}$，写作矩阵：
$$X=\left[\begin{array}{cc}0& 0\\ 0& 1\\ 1& 0\\ 1& 1\end{array}\right]$$
神经网络第一步将输入矩阵乘以第一层权重矩阵：
$$XW=\left[\begin{array}{cc}0& 0\\ 1& 1\\ 1& 1\\ 2& 2\end{array}\right]$$
加上偏置向量c，得：
$$\left[\begin{array}{cc}0& -1\\ 1& 0\\ 1& 0\\ 2& 1\end{array}\right]$$
再通过整流线性单元变换：
$$\left[\begin{array}{cc}0& 0\\ 1& 0\\ 1& 0\\ 2& 1\end{array}\right]$$
然后，再乘以权重向量$\omega$：
$$\omega =\left[\begin{array}{c}1\\ -2\end{array}\right]$$
得到输出：
$$y=\left[\begin{array}{c}0\\ 1\\ 1\\ 0\end{array}\right]$$

总结

这里以XOR为例，我们比较两种解决方案，对于非线性的模型处理中，单纯的线性模型的回归是难以应付的，我们通常使用神经网络才能比较好的描述其模型的非线性，而神经网络的非线性就会导致代价函数大多非凸，以至于使得常规的线性回归、线性方程求解或是支持向量机都难以收敛到一个点，并且，理论上凸优化从人一个初始参数出发都最终达成收敛，但是非凸的损失函数的随机梯度下降是不会有这种收敛保证，对于初始的参数值也异常敏感（直接关系到下降的最低点是局部的最低还是全局的最低）。因此我们采用基于梯度的方式进行优化。而对于如何计算神经网络的下降梯度，以及上述的XOR例子中的，多层感知机的参数学习过程，下一篇我将详细进行叙述。