DeepLearning(3): そして逆伝播(でも全結合層まで)
第1、2回で順伝播の処理は実現した。今回やっと「学習」処理に入る。 (それにしても時間が取れず、またしてもだいぶあいだが空いてしまった。記憶が飛んでいる)
前回作成したプログラムでは、多段のニューラルネットワークを構成したが、 その終盤には2つの全結合層(隠れ層と出力層)が含まれている。本稿では、 逆伝播による学習で全結合層のフィルタ(ウェイト)を更新する部分について 解説し、学習によりフィルタの分類能力が向上することを確認したい。
今回のソースはこちら。
1. 全結合層の逆伝播処理
1-1. 処理の流れ
逆伝播の理論や数式の詳細は各種書籍やWebサイトを見ていただくとして、 コード実装の説明に必要な事項をざっと説明しよう。 畳み込み層の逆伝播はちょっと複雑っぽいので次回にし、今回は全結合層だけに しておく。
損失関数
「学習」とは、例えば画像認識では入力画像から「犬」や「猫」を正しく判断 できるように各層のフィルタを修正してくことだ。 (だから本プログラムでは全結合層と畳み込み層がその対象なのだが、 今回は全結合層だけ。)
修正するにはまず「どれぐらい正解とずれているか」を確認しないといけない。 これを損失関数 $E$ で測る。今回は出力層の活性化関数にsoftmaxを使っており、 出力値と正解値の誤差を簡単にするため $E$ には交差エントロピー関数を 採用した。
ここで、$t$ は正解値(ベクトル)、 $y$ は出力値(ベクトル)だ。例えば 本プログラムでは画像を3種類に分類するのでベクトルの要素数は3、 仮に教師データを分類1とするなら、
$t = [1.0, 0.0, 0.0], y = [0.7, 0.1, 0.2]$
といった感じだ。
フィルタの更新
さて損失関数で表される「ずれ」を小さくするため、フィルタ $\boldsymbol{W}$ を更新する。大雑把には次の通り。
ここで、 は学習率(learning rate)と呼ばれるパラメータだ。 さて問題は $\Delta \boldsymbol{W}$ をどう求めるかだが、損失関数 $E$ の勾配で表す ことができるようだ。
全結合層のフィルタ $\boldsymbol{W}$ は入力数 $\times$ 出力数の行列と見ることができる。 その個々の要素を $w_{ij}$ とすると、
と書ける(らしい)。だから、最後の偏微分を解けばめでたしめでたしとなる(が、 そこが大変)。直接この偏微分を各層で解くと本当に大変だそうだが、 実は一つ前の層(出力に近い層)の計算結果をうまく使うとこれが簡単にできる、 というのが「誤差逆伝播法」のミソらしい。つまり出力層側から 誤差を計算して次の層に渡す。それを元に次の誤差を計算して さらに次の層に渡す。これを繰り返す。
出力層(Lとする)では、上記の偏微分は以下のようになる。
この $\delta_i$ が次の層へ伝える「誤差」、これに一つ手前の層の結果 $y_j$ を掛ける。
順伝播/逆伝播の流れと数式
これらを踏まえ、各層の順伝播・逆伝播を表にしてみた (逆伝播は、今回は全結合層まで)。 右上のカッコ付き数字は層の番号。 太字はベクトル/行列で、 $\boldsymbol{W}_{[3,2]}$ は 3x2行列、のように右下に要素数を記載した。 なお、 $\boldsymbol{c}$ は教師データである。 (層番号と要素数をつけたら数式が非常に醜くなってしまった。。。)
No. | 層 | 順伝播 | 逆伝播 | 勾配($\Delta \boldsymbol{W}$) |
---|---|---|---|---|
0 | 入力 | $\boldsymbol{y}_{[12,12,1]}^{(0)}$ | ||
1 | 畳み込み層1 | $\boldsymbol{a}_{[10,10,10]}^{(1)}, a_{cij}^{(1)} = \sum_c \sum_s \sum_t w_{st}^{(1)} y_{(s+i)(t+j)}^{(0)}$ | ||
2 | 活性化層1 | $\boldsymbol{y}_{[10,10,10]}^{(2)} = \max (\boldsymbol{a}^{(1)}, 0)$ | ||
3 | プーリング層1 | $\boldsymbol{y}_{[5,5,10]}^{(3)} = \max (y_{(li+s)(lj+t)}^{(2)}), \; {\scriptsize \mathrm{where} : s,t\in : \mid 0,l\mid}$ | ||
4 | 畳み込み層2 | $\boldsymbol{a}_{[4,4,20]}^{(4)}, a_{cij}^{(4)} = \sum_c \sum_s \sum_t w_{st}^{(4)} y_{(s+i)(t+j)}^{(3)}$ | ||
5 | 活性化層2 | $\boldsymbol{y}_{[4,4,20]}^{(5)} = \max (\boldsymbol{a}^{(4)}, 0)$ | ||
6 | プーリング層2 | $\boldsymbol{y}_{[2,2,20]}^{(6)} = \max (y_{(li+s)(lj+t)}^{(5)}), \; {\scriptsize \mathrm{where} : s,t\in : \mid 0,l\mid}$ | ||
7 | 平坦化層 | $\boldsymbol{y}_{[80]}^{(7)} \leftarrow \boldsymbol{y}^{(6)}$ | $\boldsymbol{\delta}_{[80]}^{(7)} = {}^t\boldsymbol{W}_{[20,80]}^{(8)} \cdot \boldsymbol{\delta}^{(8)}$ | - |
8 | 全結合層1 | $\boldsymbol{a}_{[20]}^{(8)} = \boldsymbol{W}_{[80,20]}^{(8)} \cdot \boldsymbol{y}^{(7)} + \boldsymbol{b}_{[20]}^{(8)}$ | $\boldsymbol{\delta}_{[20]}^{(8)} = f'(\boldsymbol{a}^{(8)}) \odot \boldsymbol{\delta}^{(9)}, \; {\scriptsize where : f = \max}$ | $\Delta w_{kl}^{(8)} = \delta_k^{(8)} \cdot y_l^{(7)},\; b_k^{(8)} = \delta_k^{(8)}$ |
9 | 活性化層3 | $\boldsymbol{y}_{[20]}^{(9)} = \max (\boldsymbol{a}^{(8)}, 0)$ | $\boldsymbol{\delta}_{[20]}^{(9)} = {}^t\boldsymbol{W}_{[3,20]}^{(10)} \cdot \boldsymbol{\delta}^{(10)}$ | - |
10 | 全結合層2 | $\boldsymbol{a}_{[3]}^{(10)} = \boldsymbol{W}_{[20,3]}^{(10)} \cdot \boldsymbol{y}^{(9)} + \boldsymbol{b}_{[3]}^{(10)}$ | $\boldsymbol{\delta}_{[3]}^{(10)} = \boldsymbol{y}^{(11)} - \boldsymbol{c}_{[3]}$ | $\Delta w_{ij}^{(10)} = \delta_i^{(10)} \cdot y_j^{(9)},\; b_i^{(10)} = \delta_i^{(10)}$ |
11 | 活性化層4(出力) | $\boldsymbol{y}_{[3]}^{(11)} = \mathrm{softmax} (\boldsymbol{a}^{(10)})$ | - | - |
※ なぜNo.10:逆伝播で $\boldsymbol{\delta} = \boldsymbol{y} - \boldsymbol{c}$ となるのかはそっち系のサイト(こことか)や書籍を読んでほしい。
誤差 $\delta$ が各層で計算され、次の層へ伝わっていくイメージが伝わるだろうか? これをすべての層に対して遡っていけば、めでたく一個の教師データに対する 学習が完了するわけだ。
実際には複数個(N)の教師データについて $\Delta \boldsymbol{W}$ を求め、それを平均して $\boldsymbol{W}$ の更新に使う。数式(2)は実際は次のような感じになる。 $\boldsymbol{W}$ の右下の $i$ はi番目の教師データから得られたものという意味。
1-2. 誤差逆伝播の実装
面倒な理論・数式の説明はこれぐらいにして、どう実装したか説明しよう。
処理の全体像
下記のmain
関数内で呼ばれているtrainLoop
が中心部だ。
(Main-train.hs) main = do : layers' <- trainLoop getTeachers sampleE putF (learnR st) (layers st) is :
学習を繰り返すためにepoch番号を入れた配列is
を渡していて、学習済みの状態
(層リスト)を次に引き渡すためちょっと面倒だが再帰になっている。
(Main-train.hs) trainLoop :: (Int -> IO [Trainer]) -> [Trainer] -> (Int -> [Layer] -> [Trainer] -> IO ()) -> Double -> [Layer] -> [Int] -> IO [Layer] trainLoop _ _ _ _ ls [] = return ls trainLoop getT se putF lr ls (i:is) = do ls' <- trainLoop getT se putF lr ls is teachers <- getT i let rls = tail $ map reverseLayer $ reverse ls' -- fist element isn't used dls = map (train ls' rls) teachers ls'' = update lr (transpose dls) ls' -- dls = diff of layers putF i ls'' se return ls''
trainLoop
関数の最初の行でis
を一つ減らしてtrainLoop
を呼んでいるところ。
このため、is
の要素がなくなるところまでtrainLoop
の呼び出しが続き、
最後に「学習前の層リスト」が返され、以後少しずつ層リストを学習で修正する。
最後に、学習が完了した層リストがmain
中のlayers'
に入るという寸法だ。
trainLoop
の中では、上記の通り一つ前のepoch番号の学習結果を得てから
今回のepochで使う教師データを生成している。yusugomori実装では教師データ数が
150個に対しバッチ数が150のため毎回全件で学習しているのだ。
次のrls
はちょっとややこしい。学習では誤差逆伝播法を使うが、
そのため層リストを逆順に辿りたい。ただ単純な順序の反転ではダメなので、
まず層リストを反転した上で各層を「逆変換」している(reverseLayer
)。
全結合層ではフィルタ行列の転置が逆変換に相当する。
次の行に出てくるtrain
がメイン処理だ。これは後述する。
この行で教師データ全部に対し勾配($\Delta \boldsymbol{W}_i$)を計算し、
次の行で層リストを更新して終わりだ。なおputF
は学習結果を使って
テストデータの認識精度を計算し、表示する処理だ。5 epoch毎に結果を出力する。
次にtrain
について。
(Trainer.hs) train :: [Layer] -> [Layer] -> Trainer -> [Layer] train [] _ (i, c) = [] train ls rls (i, c) = dls where (y, op') = splitAt 1 $ forwardProp ls [i] d = (head $ head $ head y) `vsub` c (_, dls) = backwardProp (zip (tail op') rls) (d, [])
where
句の次の行は前回までに作成した順伝播処理だ。得られた
結果リスト(各層の処理結果)を最後の出力=yとそれ以外に分離している。
次の行、yがImage
型のため余計な次元を除去して一次元ベクトルにした後で
$\boldsymbol{y} - \boldsymbol{c}$ を計算している
(にしても3個もhead
があるのは格好悪い)。
これが最初の誤差 $\boldsymbol{\delta}^{(10)}$ だ。
3行目が逆伝播の本体。一つ目の引数zip (tail op') rls
は
各層の出力値と逆変換用の各層を層毎に組みにしたもののリストだ。
逆伝播はこのリストに対して繰り返す。
二つ目の引数で前層で計算した誤差と各層の勾配、それを更新して次へ渡す。
(Trainer.hs) backwardProp :: [(Image, Layer)] -> (Delta, [Layer]) -> (Delta, [Layer]) backwardProp [] (_, ls) = ([], ls) backwardProp ((im,l):ols) (d, ls) = backwardProp ols (d', l':ls) where (d', l') = backwardLayer l im d
ここまでが、先述の表と図で説明したものを処理している部分である。 うーん、今回も話が長くなりそうだ。
誤差と勾配の計算
逆伝播処理は層の種類で異なるため、backwardLayer
関数のパターンマッチで
仕分けている。今のところ活性化層(ActLayer
)と全結合層(FullConnLayer
)のみ
実装している。他は次回になんとかしようと思う。
(Layer.hs) backwardLayer :: Layer -> Image -> Delta -> (Delta, Layer) backwardLayer (NopLayer) _ d = (d, NopLayer) backwardLayer (ActLayer f) im d = deactivate f im d backwardLayer (MaxPoolLayer s) im d = depoolMax s im d backwardLayer (ConvLayer s fs) im d = deconvolve s fs im d backwardLayer (FullConnLayer fs) im d = deconnect fs im d backwardLayer l@(FlattenLayer x y) im d = (head $ head $ unflatten x y [[d]], l)
中身を示そう。まず簡単な活性化層の方から。
(ActLayer.hs) deactivate :: ActFunc -> Image -> Delta -> (Delta, Layer) deactivate f im delta | c == [0.0] = (zipWith (*) delta f', ActLayer relu') | c == [1.0] = ([], ActLayer f) | otherwise = ([], ActLayer f) where c = f [0.0] f' = relu' (head $ head im)
出力に近い方、全結合層の後の活性化層のうち最後の層=出力層では
softmax関数を使っているが、誤差を計算する必要がないのでほったらかしている。
一方その二つ前の活性化層3(No.9)はReLUを採用しているので、逆関数 $f'$ は
ステップ関数(relu'
として別に定義)になり、前層からきた誤差と
掛け合わせている(zipWith (*) delta f'
の部分)。
ところで、活性化関数の種類によって処理を変えたいのだが、普通の引数の
型(DoubleとかStringとか)や値でのパターンマッチが使えないみたいだ。
引数f
の値(relu
とかsoftmax
とか)で分けられたら楽なんだが。。。
それができないので、関数f
にダミー値([0.0])を与えた結果で場合分け
している。relu
なら0.0に、softmax
なら1.0になるからだ(たぶん)。
次は全結合層の説明。
(FullConnLayer.hs) deconnect :: [FilterF] -> Image -> Delta -> (Delta, Layer) deconnect fs im delta = (mmul delta fs', FullConnLayer $ calcDiff delta im') where fs' = tail fs im' = head $ head im calcDiff :: Delta -> [Double] -> [FilterF] calcDiff delta im = map (mulImage im') delta where im' = 1.0:im mulImage :: [Double] -> Double -> [Double] mulImage im d = map (*d) im'
誤差は、フィルタfs
と前層からの誤差delta
を掛けている(mmul delta fs'
)。
fs
はすでに転置行列にしてあるが、その最初の要素はバイアスbに相当するため
削る(tail fs
)。全結合層は学習によりフィルタを更新するから、誤差から
学習に必要な勾配 $\Delta W$を計算している。calcDiff
がそれ。
誤差値delta
と順伝播での入力値im
のそれぞれの要素を掛け合わせて
作り出している。本実装ではバイアスbはフィルタに統合されているので、
入力値に1.0を加えているが(im' = 1.0:im
)。
全結合層のフィルタ更新
さあ最後に、各教師データから得られた勾配を平均してフィルタを更新する 部分を見てみよう。
(Trainer.hs) update :: Double -> [[Layer]] -> [Layer] -> [Layer] update lr _ [] = [] update lr [] ls = ls update lr (dl:dls) (l:ls) = (updateLayer lr l dl):(update lr dls ls)
dl
は処理対象の層l
に対する各教師データからの勾配が入っている。
これをupdateLayer
に渡して計算している。lr
は学習率だ。
次が、全結合層での勾配を集計する処理である。
(FullConnLayer.hs) updateFullConnFilter :: [FilterF] -> Double -> [Layer] -> Layer updateFullConnFilter fs lr dl = FullConnLayer fs' where ms = strip dl delta = mscale (lr / (fromIntegral $ length ms)) $ msum ms fs' = msub fs delta
ほぼ数式(5)そのままなので、ほぼ説明不要だろう。ms = strip dl
に
ついてだけ。各教師データから得た勾配のリストから、この層での対象外の
データがあれば除外するようにしている。普通は問題ないはずだが。
2. 「学習」の評価
プログラムも出来上がったことだし、どれだけ学習するか評価してみよう。 コンパイルと実行は次の通り。
% cabal build : % ./dist/build/train/train Initializing... Training the model... iter = 0/500 accuracy = 0.3333333333 time = 0.149965s iter = 5/500 accuracy = 0.3333413554 time = 5.132365s :
途中経過を 5 epoch 毎に画面に出している。前回から少しフォーマットを 変更し、正答率を「認識精度=accuracy」に改めている。
2-1. 学習結果(ノーマル版)
上記のプログラムを10回実行し、それぞれ認識精度と実行時間を計測した。 結果は次のグラフの通り。
点線が各試行時の実測値、太い実線が10回の平均値だ。これを見ると、認識精度は 各試行でかなりばらついているのがわかる。また、認識精度の向上が 急峻なものと緩慢なものがあり、かなり差がある。
プログラムでは、学習用データ、テスト用データ、および各フィルタに乱数を 使っているが、それらの初期状態によりこれだけの差が生じてしまっていると 思われる。(学習効果が薄い=うまく特徴が出ない画像群が生成されたとか、 フィルタの初期状態がイケてないとか)
ただ、総じて 500 epoch ぐらい繰り返せば認識精度がほぼ9割を超えることも 分かった。 まだ畳み込み層の学習をしていない段階でここまで精度が上がるとは思っておらず、 嬉しい誤算だった。(こんなものなのかな?)
2-2. 学習結果(学習率の差)
先のグラフで、認識精度の向上は最初からではなく50 epochを超えたあたりから 急に上がりだしている。私は素人なのでよくわからないが、いろいろな情報を見ると 「学習率」はどう設定するかとか、学習進行に応じて変化させるとか書かれて いて、重要なパラメータであるらしい。
このプログラムでは学習率を0.1に固定しているが、初期段階ではこれが小さすぎる のかもしれない。ということで、学習率を0.2と0.05に変えて試行した結果も出して みた。(0.2と0.05の試行は5回、その平均をとった)
予想通りかというとちょっと微妙だが、学習率を大きくした方がより速く認識精度が 向上していることがわかる。ただ、初っ端から急上昇しているわけではないので もっと大きくしないといけないのだろう。ただ、大きいままで学習を続けると 収束しないという話もある(?)ので、やはり動的に変化させるのがいいのだろう。 あとでそれにも取り組みたい。
今回のプログラムはyusugomori実装を「写経」することが第一課題なので 学習率は0.1に戻しておこう。
2-3. yusugomori実装との比較
ここまで、学習が進んだ!と喜んできたわけだが、「写経」元のyusugomori実装と 同じことができているのだろうか?
ということでyusugomori実装との比較をしてみたのが次のグラフだ。
avg-0.1が本プログラム(学習率0.1、試行10回の平均値、青線)、py-cnnが yusugomori実装(学習率0.1、試行1回、赤線)、py-cnnfcがyusugomori実装で 畳み込み層の学習を抑制した改造版(学習率0.1、試行1回、緑線)だ。 yusugomori実装では乱数のseedが固定されているため毎回同じ結果になるのと、 後で述べるようにめちゃくちゃ処理時間が掛かるのとで試行は1回だけにした。
先述の通り乱数の生成値により試行結果はかなりぶれるのだが、青と緑の線は 350 epoch近辺からほとんど同じような値になっていて、(楽観的に見れば) 本プログラムはyusugomori実装と同等な処理ができているのではないかと思う。 一方本来の学習(=畳み込み層も学習)であれば認識精度が急上昇し、かつ 200 epoch ぐらいでも認識精度が98%を超えてくる。それに比べ本プログラムでは 畳み込み層のフィルタがいつまでたっても初期状態(ランダム)のままなので、 この差は致し方ないところだろう。まあ、ここまで性能差があると早く 畳み込み層の学習部分も完成させたいと思うからモチベーションの向上になる。
次に処理時間について見てみる。200 epoch 実行時の結果は次表のとおりである。 (iMac early 2009, 3.0GHz Core 2 Duo, 4GB memory)
avg-0.1 | py-cnn | py-cnnfc | |
---|---|---|---|
処理時間(s) | 157 | 24838 | 6152 |
処理性能(epoch/s) | 1.273 | 0.008 | 0.033 |
認識精度(%) | 74.2 | 98.4 | 62.9 |
yusugomori実装の処理時間が半端ではないことがわかる。本プログラムも コンパイルされたネイティブコードであることを考えると決して十分な処理速度 ではないが、それでもまったく比べものになっていない。
NumPyライブラリのインストールに何か抜けている手順があるのだろうか? インストール時に何か特別なことをした記憶もないので、以下の記事にあるように 「ちゃんとした」インストールができていないのかもしれない。
(参考1) Kesin's diary: NumPy, SciPyをちゃんとインストールする
もしくは次の記事のように多重ループと配列要素への直接読み書きが 影響しているのかもしれない。
(参考2) numpyで明示的にループを書くと極端に遅くなる
いずれにせよ、当方は今の所Pythonを使う気はないので深入りはしない...
3. まとめ
今回は全結合層部分の逆伝播処理を実装した。これにより学習ができるように なったので、精度はともかく画像認識ができるようになった。ただ、これはまだ 半分。次回は畳み込み層の逆伝播を実装し、プログラムを完成させようと思う。