Deep Learning: Mélyhálós Tanulás

Átírás

1 Deep Learning Deep Learning: Mélyhálós Tanulás Mesterséges Neuronhálók 2015 o sz Milacski Zoltán Ádám srph25@gmail.com ELTE Informatika Doktori Iskola

2 Deep Learning anyagok Szoftverek: NVIDIA Digits (web, NVIDIA): Caffe (command line/python/matlab, UC Berkeley): torch (Lua/Python/MATLAB, NYU): theano (Python, Université de Montréal): Ingyenes online kurzusok: NVIDIA Deep Learning Course (Jon Barker, NVIDIA): Neural Networks for Machine Learning (Geoffrey Hinton, University of Toronto): Convolutional Neural Networks for Visual Recognition (Andrej Karpathy, Stanford): Machine Learning (Andrew Ng, Stanford): Tudományos cikkek: Yann LeCun, Joshua Bengio, Geoffrey Hinton, Ilya Sutskever, Christian Szegedy, Alex Krizhevsky, Andrew Ng, Quoc Le, Vincent Vanhoucke, Diederik Kingma és még sokan mások...

3 Deep Learning Deep Learning 1. Legnépszeru bb MI megközelítés napjainkban: aktív kutatási terület, legnagyobb cégek használják adatelemzésre (Google, Facebook, Microsoft, Netflix, Baidu, IBM). Sok sikeres alkalmazás: rekordokat döntöget (ImageNet: 25% 5% hiba) de még spam-szu rés, arcfelismerés, Xbox Kinect, Q-learning... Zavarba ejto en párhuzamosítható feladat: mátrix-vektor mu veletek, GPU gyorsítás (olcsó és takarékos szuperszámítógép). Egyszeri lassú betanítás, utána gyors predikció (betanított modell hatékonyan telepítheto beágyazott rendszerekre, mobiltelefonokra). Az elmúlt években alapjaiban do ltek meg Machine Learning tézisek: Klasszikus Machine Learning: feature extrakció és kernel kézzel, tanuljunk súlyozást (pl. SVM, HMM, klaszterezés, LDA). Konvex optimalizáció: rengeteg tétel, pl. garantált globális megoldás. Deep Learning: vegyünk sok mintát és sok paramétert, tanuljuk meg a feature-öket is az adatokból! Ero sen nem konvex feladat: nagyon kevés elméleti garancia, sok mintával és kello hardverrel mégis jobban általánosít...

4 Deep Learning Deep Learning 2. Inceptionism: felho k formája és képzelgés, valamire tanítva, máson tesztelve (becsaphatóság kiaknázása) = Festés stílus másolás: B=Turner, C=van Gogh, D=Munch, E=Picasso, F=Kandinsky

5 Deep Learning 3. input output nemlineáris leképezést tanulunk sok (input,output) párból: minden input vektor feature-ökből áll: x i R n, i = 1,..., N, minden output vektor címkékből áll: y i R m, i = 1,..., N, a leképezés paraméterekből áll: f θ : R n R m, θ R p, a leképezés vektoros adatokból címkét próbál jósolni: f θ (x) y. Cél: előre adott paraméteres leképezés-családból kiválasztani a legjobbat, ami megold valamilyen feladatot (úgy beállítani a θ értékeket, hogy minimalizáljunk egy l : R m R m R + hibát a jósolt és a tényleges címkék között). Osztályozás: y Z m, Regresszió: y R m, Rekonstrukció: y = x, f θ id. Matematikailag: (x i, y i ) N i=1 = min θ 1 N N i=1 l(f θ(x i ), y i ). Túltanulás kikerülendő: még nem látott (x, y) párokra is kicsi legyen az l(f θ (x), y) hiba. Aktivációs függvény: g(z) = max(0, z) ReLU függvény. Neuron: f w,b (x) = g(w T x + b) = g( n i=1 w i x i + b), Neuronréteg: f W,b (x) = g(w x + b), Neuronháló: f W 1,...,W k,b 1,...,b k (x) = g k (W k g 2 (W 2 g 1 (W 1 x + b 1 ) + b 2 ) + b k ).

6 Deep Learning 4. Neuronháló: f W 1,...,W k,b 1,...,b k (x) = g k (W k g 2 (W 2 g 1 (W 1 x + b 1 ) + b 2 ) + b k ). A feature-ök hierarchiába rendeződnek: a mélyebb rétegek egyre magasabb szintű feature-öket tartalmaznak, és mindig az előző réteg feature-eit kombinálják össze. Előnyök: Nem kell előzetesen manuálisan feature-öket létrehozni. Általános architektúra: sokféle feladatra és adattípusra jó. Sok mintával (N ), GPU-val (NVIDIA CUDA/cuBLAS), új módszerekkel (pl. ReLU, Adam, pretraining, dropout) jól működik. Transfer Learning: más által nagy adatbázison betanított háló letölthető és adaptálható saját kicsi adatbázishoz. Geoffrey Hinton: "nagyjából így működik az emberi agy, tökéletlen modell is lehet hasznos és tanulságos".

7 Optimalizáció Hogyan találhatunk jó θ = {W 1,..., W k, b 1,..., b k } paramétereket? Gradiens-módszerrel (iteratívan)! Hiba: l(f θ (x), y) kettes norma közelítés: 1 2 y f θ(x) 2 2, egyes norma közelítés: y f θ (x) 1. Összhiba: [ ] 1 N L(θ) = l(f θ (x i ), y N i ). i=1 Gradiens-módszer: a negatív gradiens ( L(θ) ) mindig a lokális minimum felé θ mutat, lépjünk egy kicsit ebbe az irányba! L(θ) θ t+1 = θ t α t. θ θ=θt 2 kérdés: x i inputok skálázása? L(θ) θ gradiens kiszámítása? (véges differenciával való numerikus közelítés pontatlan) α t lépésköz beállítása? (ne lépjünk se nem túl kicsit, se nem túl nagyot)

8 Gradiens-módszer 1. Gradiens-módszer: θ t+1 = θ t α t L(θ) θ, θ = {W 1,..., W k, b 1,..., b k }. θ=θt x i inputok skálázása: ha a feature-ök különböző skálákon mozognak, de azonos súllyal szeretnénk figyelembe venni őket (szinte mindig igaz), feature-önként standard normalizáljuk az inputokat: µ = 1 N x i, σ = 1 N (x i µ) 2, N N 1 i=1 i=1 x i x i µ σ.

9 Gradiens-módszer 2. Gradiens-módszer: θ t+1 = θ t α t L(θ) θ L(θ) θ Legyen X = [x 1,..., x N ], Y = [y 1,..., y N ], g j, θ = {W 1,..., W k, b 1,..., b k }. θ=θt gradiens kiszámítása: láncszabállyal, dinamikus programozással. g(h) (h) = h, l (z, y) = l(z,y). z function PROP(X, Y, W 1,..., W k, b 1,..., b k, g 1,..., g k, g 1,..., g k, l, l ) // ForwardPropagation Z 0 = X for j = 1,..., k do H j = W j Z j 1 + [b j,..., b j ] Z j = g j (H j ) end for L = 1 N N i=1 l(z k,,i, Y,i ) // BackPropagation Z k = 1 N [l (Z k,,1, Y,1 ),..., l (Z k,,n, Y,N )] for j = k,..., 1 do H j = g j (H j ) Z j // itt az elemenkénti szorzás Z j 1 = W T j H j b j = N i=1 H j,,i W j = H j Z T j 1 end for return Z k, L, W 1,..., W k, b 1,..., b k end function

10 Gradiens-módszer 3. Gradiens-módszer: θ t+1 = θ t α t L(θ) θ, θ = {W 1,..., W k, b 1,..., b k }. θ=θt α t lépésköz beállítása: Adam algoritmus. function ADAM(α, β 1, β 2, ε, X, Y, θ 0, g 1,..., g k, g 1,..., g k, l, l ) M 0 = 0, V 0 = 0 for t = 0, 1,..., T 1 do [Z k, L, θ]=prop(x, Y, θ t, g 1,..., g k, g 1,..., g k, l, l ) M t+1 = β 1 M t + (1 β 1 ) θ // Gradiens mozgóátlaga V t+1 = β 2 V t + (1 β 2 ) θ 2 // Gradiens négyzet mozgóátlaga θ t+1 = θ t α M t+1 1 β t+1 1 V t+1 1 β t+1 +ε 2 // Paraméterek frissítése end for return θ T end function Tipikus beállítás: α = 0.001, β 1 = 0.9, β 2 = 0.999, ε = θ 0 kezdőpont: ReLU függvény esetén W j N (0, ), b j = Leállási feltétel: θ 2 < 10 4 (közelítőleg lokális szélsőérték). Minibatch: minden lépésben a minták egy részhalmazával számolunk (csökkentett memóriaigény, több kicsi iteráció, gyorsabb konvergencia, mintákban párhuzamosítható GPU-val). Ekkor célszerű a negatív gradiens iránya helyett a negatív gradiensek mozgóátlagának irányába lépni (momentum).

11 Regularizáció Regularizáció: R(θ), plusz költség tag túltanulás ellen (nem engedi, hogy θ elemei nagyok legyenek, egyszerűsíti a modellt, jobban általánosít). Összhiba regularizációval (λ > 0: két költség trade-off-ja): [ ] 1 N L(θ) = l(f θ (x i ), y N i ) + λr(θ) i=1 Kettes norma regularizáció: R(θ) = 1 2 θ 2 2, Egyes norma regularizáció: R(θ) = θ 1. Dropout: exponenciálisan sok háló összekombinálása, tanításkor p = 0.5 valószínűséggel aktív minden neuron (input rétegre p = 0.8), teszteléskor p-vel szorzandó minden aktivitás. Jó implementáció: inverted dropout.

12 Greedy Layer-wise Pretraining Előtanítás: címkék nélküli (felügyeletlen) rekonstrukció, mohó módon, rétegenként. Utána szokásos felügyelt (finom)hangolás címkékkel. Lassú, de gyakran jobb θ 0 kezdőpontot ad. Kis adatbázisoknál segít a legtöbbet! Esetleg ha sok címke nélküli tanítópéldánk van... Manapság csökken a jelentősége, de a jövőben még nagyobb hálók esetén újra szükség lehet rá...

13 Hiperparaméterek Egy mély hálónak sok hiperparamétere van: rétegek száma k, rétegek méretei, regularizáció λ, Adam α, β 1, β 2, ε, dropout p, de akár még aktivációs és költségfüggvények is... Hogyan állítsuk be ezeket? Kereszt-validáció: bontsuk az adatbázist 80% tanító + 10% validáció + 10% teszt részekre. Tanítón sok kombinációt próbáljunk ki, validáción mérjük ki a legjobbat. A legjobb kombinációval tanítsunk újra tanító+validáción és teszten használjuk ezt! Majd válasszuk újra a halmazokat, és átlagoljuk az eredményt. Bayesian optimization: Megerősítéses Tanulás (RL) szerű iteratív eljárás, próba-szerencse alapon oldja fel az exploráció-exploitációs dilemmát. Gauss-folyamatokat használ. Megtanulja a helyes skálázást a változókban. Sokkal jobb, mint a manuális próbálgatás (pontosan emlészik és értékel ki sok kombinációt). Spearmint (Python/MATLAB): Hyperopt (Python): BayesOpt (C/C++/Python/MATLAB):

14 Speciális neuronhálók Az alapvető neuronhálós tudást lefedik az előző diák, speciális hálók azonban mind igényelnek további trükköket. Feedforward háló (FNN): ezt láttuk részletesen az előző diákon. Konvolúciós háló (CNN): mátrixszorzások helyett konvolúciók (kevesebb változó, kisebb feladatméret). Rekurrens háló (RNN): idősorok (dinamika). Autoencoder: rekonstrukció, feature tanulás, előtanítás, klaszterezés. Hopfield háló: tartalom-címzett memória, robusztus, bináris aktivitások, irányítatlan élek a gráfban. Ma már nem használják, történelmi okokból fontos. Boltzmann háló (RBM): ma már nem használják, történelmi okokból fontos.

15 A terület jövője 2016: NVIDIA Pascal architektúra Újabb nagy ugrást jelenthet... Most még nem késő belekezdeni. 32 GB RAM: nagyobb minibatch-ek, kevesebb másolási művelet. NVLink interfész: PCI Express-hez képest sokkal nagyobb sávszélesség. Vegyes-pontosságú számítások: számolás double-ben, tárolás float-ban. CUDA Toolkit: folyamatos szoftveres fejlődés (7.5: ritka mátrixok) Nehéz megmondani, hogy mi lesz a neuronhálók jövője, de: a meglévő módszereket tovább fogják tökéletesíteni, adat és hardverkapacitás is csak egyre több lesz, egyre több helyen fognak megjelenni a hétköznapokban, sok szép meglepő eredményt fognak produkálni az elkövetkezendő években...

16 Köszönöm a figyelmet! Köszönöm a figyelmet! Ez a diasor Jon Barker, Geoffrey Hinton, Andrej Karpathy anyagai; Diederik Kingma, Leon Gatys, Nitish Srivastava cikkei, Ilya Sutskever disszertációja és Yifei Teng, Alexander Mordvintsev (Google Research) blogjai alapján készült. Az algoritmusok és az ábrák a fenti cégek és szerzők szellemi tulajdonát képezik.