Nguyen Q C, Hein M. Optimization Landscape and Expressivity of Deep CNNs[J]. arXiv: Learning, 2017.
BibTex
@article{nguyen2017optimization,
title={Optimization Landscape and Expressivity of Deep CNNs},
author={Nguyen, Quynh C and Hein, Matthias},
journal={arXiv: Learning},
year={2017}}
引
这篇文章,主要证明,在某些不算很强的假设下,CNN的最后的损失(文中是MSE)能够达到零,而且能够满足其的网络参数的无穷多的. 另外,还有"局部"最优解都是全局最优解的特性. 证明主要用到了勒贝格积分的知识(实际上,这一部分应该算在另一篇论文上,没去看),以及更多的代数的知识.
主要内容
基本的一些定义
(X=[x_1, ldots, x_N]^T in R^{N imes d})为输入的N个样本,而(Y=[y_1, ldots, y_N]^T in R^{N imes m})为对应的N个标签.
假设网络共有(L)层,(n_k)为第(k=0, 1, ldots, L)层的宽度,也即神经元的个数. 用(f_k: R^d ightarrow R^{n_k})表示由样本(x)到第(k)层的输出的映射.
patches: 我们将每一层的神经元分成若干份,每一份的长度相同,且是包含所有神经元,并且没有俩个patch是完全相同的. 假设,每一层被分成(P_k)份,长度为(l_k). 则,可以表示为
filter: 假设每一层有(T_k)个filters,则 (W_k = [w_k^1, ldots,w_k^{T_k}] in R^{l_{k-1} imes T_k}, 1 le k < L) . 容易知道(n_k=P_{k-1}T_k), 并假设第k层的偏执为(b_k in R^{n_k}). 如果是全连接层,很明显,(n_k=T_k).
激活函数: 用(sigma_k)表示第(k)层的激活函数, entry-wise.
卷积层
其中([a] = {1, 2, ldots, a}).
上面的定义可以这么理解,先拿出第一个patch,用所有的filters操作一遍,并加上偏置,再通过激活函数为最后的输出,然后再拿下一个patch... 一般的卷积层,其实就是相当先分patch,再利用卷积核处理,当然这里可能存在一个排序的问题,但是作者证明的结论的过程中不需要排序.
全连接层
池化层
改写卷积层
为了更形象的表示,作者弄了一个线性映射(mathcal{M}_k: R^{l_{k-1} imes T_k}
ightarrow R^{n_{k-1} imes n_k}). 看如下的例子:
其中:
(n_{k-1}=5), 也就是说,输入是5维的向量,卷积核是3维的,滑动为1. 相当于把(w)扩充至(n_{k-1}),且只有所作用的patch的对应位置不为0. 这样就能用一种全连接层的是视角去看待了,而全连接层的(U_k=W_k). 所以,我们不需要再管patch了,来了一个输入(x),只需(U_k^Tx),然后进行加偏执和激活函数的操作即可,具体如下:
其中(g_k(x)=U_k^Tf_{k-1}(x)+b_k). 定义:
则:
定义损失函数:
假设2.4
对于第k个卷积层,存在(W_k)使得(U_k)是满秩的. 并且从下面的话中可以发现,只要patches满足之前讲的那些假设,那么这个假设便能够成立. 问题是,我不知道这个假设如何证明.
引理2.5
引理2.5告诉我们,让(U_k)满秩的(W_k)不仅存在,而且很多,多到让(U_k)不满秩的(W_k)的勒贝格测度为0. 也就是随便走两步都能满足假设.
假设3.1
这个假设看似很强,但是作者指出,可以通过对样本添加一个噪声来满足.
假设3.2
激活函数是连续非常数,且有一些极限性质.
引理3.3
ReLU, Sigmoid, Softplus等一些常见的激活函数都是满足上面的假设的.
定理3.4
注意, 条件1是第一层和第k层为卷积或者全连接层. 满足这些条件,则有({f_k(x_1), ldots, f_k(x_N)})线性独立,也即(F_k)满秩.
定理3.5
注意,这里的条件1是第一层到第k层均为全连接层或卷积层. 则令(F_k)不满秩的网络参数的勒贝格测度为0,也就是说,(F_k)满秩是平凡的.
推论3.6
也就是说,我们能够找到网络参数,满足训练0误差.
假设4.1
注意,这里假设整个网络不包括池化层,且最后的输出层是全连接层.
并定义:
引理4.2
关于解析函数,这是复变函数里的东西,不同的版本有出入,
至少是无穷次可导的, 所以ReLU自然不列入考虑范围之内.
引理4.2说明(F_k, U_{k+2}, ldots, U_L)满秩是很容易满足的.
引理4.3
定理4.4
定理4.4告诉我们,(S_k)中的所有的驻点(关于(U_{k+1}))都是最小值点.
定理4.5
作者考虑一个具体的分类问题,则CNN最后的输出应该为(Z in R^{m imes m}),即有m类,如果样本(x_i)属于第j类,则(Y)的第i行为(Z)的第j行. 所以,一般情况下,(Z)为单位矩阵?
注意第(k+1)层为全连接层.
Proof
引理A.1
实解析函数,如果不恒为0,则({x in R^n| f(x)=0})的勒贝格测度为0, 也就是几乎处处不为0呗.
引理2.5 证明
(U_k = mathcal{M}_k (W_k) in R^{n_{k-1} imes n_k}), 因为(mathcal{M_k})是一个线性映射,所以(U_k)的每一个元素都是(W_k)的一个线性函数的像. 又(U_k)的每一个(m imes m, m = min {n_{k-1}, n_k})行列式是一个多项式函数,所以是解析函数,而解析函数的复合依旧是解析函数,所以每一个行列式都是关于(W_k)的一个解析函数. 而根据假设2.4,我们知道,存在一行列式不恒等于0,所以根据引理A.1, 引理2.5可得.
引理3.3
定理3.4
引理D.1
就是,我们能找到一些网络参数,使得不同的样本(f_k)的各元素不同.
证明: 这个证明可以通过归纳法证明,只要我们找到(W_1, b_1)使得(f_1^p(x_i) ot = f_1^q(x_j))成立,后面的结果也就可类似推导成立了. 且因为全连接层是卷积层的一个特例,所以只需证明是卷积层的时候成立即可.
用(Q=[a^1, ldots, a^{T_1}] in R^{l_0 imes T_1})表示,其中每一列都是一个filters. 定义:
显然,属于(S)的元素,要么使得(U_k)不满秩,要么使得(f_1(x_i),f_1(x_j))有俩个元素相同,则其补集一定满足引理D.1的结论. 所以我们只要证明这个补集不是空集即可.
根据假设3.1,(x_i^p ot = x_j^q, i ot = j), 所以(langle a^t, x_i^p angle-langle a^{t'},x_j^q angle=0)是一个超平面,显然,其测度为0,而有限个这样的超平面的并依旧是零测集, 所以(S)的后半部分的测度为0. 而前半部分,根据引理2.5可知,其测度也为0,所以(S)的测度也为0.
如果,我们证明(g)穿过激活函数依旧保持那些性质的话,关于卷积层和全连接层的证明就结束了.
既然(sigma_1)是个连续的非常数函数,那么存在一个区间((mu_1, mu_2))使得(sigma_1)在其上存在双射(这个存疑,不是有一个处处连续但处处不可导的函数吗,那个也能满足?).
我们先固定(Q in R^{l_0 imes T_1} setminus S), 令(eta in (mu_1, mu_2)). 并令(alpha >0) 以及(W_1 = alpha Q, (b_1)_h=eta.)
既然(eta in (mu_1, mu_2)), 我们只需要选择足够小的(alpha), 就能满足(alpha langle a, x_i^p angle+ eta in (mu_1, mu_2)).
对于任意的(h,v, h=(p-1)T_1+t, v=(q-1)T_1+t'),
对于任意的(i
ot =j) 以及足够小的(alpha)(注意,因为对于足够小的(alpha), (sigma_1)单调,所以若为0,则需要原像相同,而这由(Q)的选择保证不可能).
于是:
实际上,结果还要更加强一些.
最后只要再证明对池化层也成立即可.
假设对前(k)层都成立,第(k+1)层为池化层. 于是(n_{k+1}=P_{k}), 且对于(p in [P_k]):
既然(8)成立,所以((f_{k}(x_i))_r
ot = (f_{k}(x_j))_s, i
ot= j), 自然,其最大值也不同,即
所以,结论对于池化层也成立.
定理3.4的证明, 仅说明其证明思路. 根据引理D.1,我们可以找到网络参数,使得第(k-1)层满足:(f_{k-1}^p(x_i) ot = f_{k-1}^q(x_j), i ot = j). 所以,接下来,只要找到(W_k, b_k)使得最后的(A:=F_k in R^{N imes n_k})满秩就可以了.
先定义(Q=[a^1, a^2, ldots, a^{T_k}] in R^{l_{k-1} imes T_k})以及:
和引理D.1的证明类似,(S)的测度为0,(Q)的列可以取到(R^{l_{k-1}} setminus S),并且满足(mathcal{M_k}(Q))满秩(因为满秩的集合测度不为0).
既然激活函数(sigma_k)连续非常数,一定存在(eta, sigma_k(eta)
ot = 0). 则定义(W_k = [w_k^1, ldots, w_k^{T_k}])和偏执(b_k), 且有:
相应的,有
我们可以调整(x_i,x_j)的顺序,使得下列式子满足:
接下来,根据对激活函数的假设(假设3.2),可以分成俩种情况来证明:
首先是
不妨设(mu_-=0), 则
所以收敛到最后是一个上三角矩阵. 再看一般的(A(alpha))的前N行N列(我们只要证明这个行列不为0,则(A(alpha))就满秩).
这个分解,就是最开始的行列式的定义,取不同行不同列的乘积的和(还有相应的符号). 易知:
对于(pi
ot = gamma), (gamma)就是(12345...N)的序. 所以(mathrm{det}(A(alpha)_{1:N, 1:N})
ightarrow sigma_k(eta)^N
ot = 0).
既然行列式关于(alpha)的连续函数,一定存在足够小的(alpha)使得行列式不为0,即(A(alpha))满秩, 这样,(W_k, b_k)就找到了. (mu_+=0)的证明是类似的.
另一种情况是:
其证明也是类似的,只是取充分大的(alpha).
定理3.5
定理3.5的条件更强,能够保证(f_k)是关于(W_l,b_l)的一个解析函数,那么(F_k = [f_k(x_1), ldots, f_k(x_N)]^T in R^{N imes n_k})的(N imes N)的子矩阵的行列式也为解析函数,既然我们以及找到了这样的(W_l,b_l)使得某个子矩阵的行列式不为0,根据引理A.1可知,令(F_k)不满秩的(W_l, b_l)的参数的集合的测度为0.
推论3.6
既然,我们能够找到参数((W_l, b_l)_{l=1}^{L-1})使得(rank(F_{L-1})=N), 我们的任务就是找一个(lambda in R^{n_{L-1}})使得(F_{L-1}lambda=F_L), 显然
满足这个条件.
引理4.2
显然:
其中(mathcal{P})表全集.
后面的第一部分根据定理3.5可知测度为0,第二部分根据引理2.5可知测度亦为0,所以后面的部分测度为0. 所以(mathcal{P} setminus S_k)的测度自然也为0.
引理4.3
首先,介绍一下 Hadamard product (阿达玛积), (circ),
即矩阵对应元素相乘,当然这要求(A, B)行列相同. 阿达玛积满足交换律,结合律:
另外, ((A circ B)^T = A^T circ B^T)是显然的,以及
再证明引理4.3之前,我们需要先推导出损失函数与(U)的梯度关系,我们先整理一下:
损失函数:
第(L)层为全连接层,所以:
定义(Delta_k), 其中的(i, j)元素为(partial Phi/ partial (G_{k})_{ij}).
所以:
类似可证明:
再引入俩个引理,比较简单便不给出证明了.
我们已经知道(
abla_{U_{k+1}} Phi = F_k^T Delta_{k+1}), 并用(otimes) 表示克罗内克积, 有
故
上界的证明是类似的,
定理4.5
定理4.5前半部分的证明,既然第k+1层为全连接层,对于驻点,我们有(Delta_{W_{k+1}} Phi = 0 = abla_{U_{k+1}} Phi), 再根据定理4.4即可证明.
后半部分的证明,首先,我们证明我们能够找到(W_{k+1})使得(F_{k+1})的秩为(m), 且对应相同标签的样本,比如样本i, j对应同一个标签,那么(F_{k+1})的第i,j行是相同的. 在k+1层之前,我们可以找到({W_l, b_l}_{l=1}^k)使得(range(F_k)=N).
Case1:k=L-1
那么(rank(F_{L-1})=N), 直接令(W_L=F_{L-1}^T(F_{L-1}F_{L-1}^T)^{-1}Z)就能使得(Phi=0), 且(W_L)满秩.
Case2: k=L-2
那么(rank(F_{L-2})=N), 令(Ain R^{m imes n_{L-1}})为行满秩矩阵,且(A_{ij}in range(sigma_{L-1})). 再定义(D in R^{N imes n_{L-1}}), 并且
如果第i个样本的标签为j. (D_{i:})表示(D)的第i行.
只需要令(W_{L-1}=F_{L-2}^T(F_{L-2}F_{L-2}^T)^{-1}sigma_{L-1}^{-1}(D)), 于是
其中令(b_{L-1}=0).
接着,我们只需要令
便能得到(Phi=0).
注意,(W_{L-1})并非满秩的.
Case 3: (k le L-3)
类似的,取(Ein R^{m imes n_{k+1}}), 且(E)的元素无一相同, (E_{ij} in range(sigma_{k+1})).
定义(D in R^{N imes n_{k+1}}):
如果样本i标签为j.
构建
取(b_{k+1}=0), 则(F_{k+1}=sigma_{k+1}(F_kW_{k+1}+mathbf{1_N}b_{k+1}^T)=D), 于是我们的目的也达到了.
此时,把(k+1)到(L)看成一个新的网络,我们相当于输入(m)个样本,我们只要构建({W_l}_{l=k+2}^L)使得(Phi=0), 根据Case 1可知,只要在第L-1层保持满秩即可.
首先,因为(E)的各元素都不同,所以(F_{k+1})的各元素亦不同,这就满足了假设3.1;
其次,(k+1)到(L-1)都是卷积层和全连接层;
第L-1层的宽度大于样本个数m,这个来源于假设4.1的金字塔型的结构;
激活函数满足假设3.2.
所以,根据定理3.4,我们可以知道,存在({W_l}_{l=k+2}^L)能够使得L-1层满秩,而且这样的参数是很多很多的.
最后选择(W_L=F_{L-1}^T(F_{L-1}F_{L-1}^T)^{-1}Z)即可. ((W_l, b_l)_{l=1}^L in S_k).