分类|深度学习（李宏毅）（二）

• 2021 年 1 月 20 日
• AI
• 其 他, 文本分类, 深度学习

李宏毅老师深度学习系列2020

一、生成模型

假设有两个类别，其中为先验分布，都是高斯分布，服从以下分布：

二、计算某一类样本的高斯分布

根据已有的标签数据可以求得每一类均值和方差的估计，由于该类样本服从高斯分布，则其似然如下：

求解可得：

三、逻辑回归（判别模型）推导

这里的推导假设具有同样的方差，且是对角线矩阵（即假设特征之间相互独立），证明如下：

后验概率

即是sigmoid函数，其图像为：

另外，其中

其中

同理

因为前面假设,所以,则

则

在使用生成模型时需要估计，现在可以直接估计和。

四、逻辑回归的损失函数

1. 交叉熵损失函数
令，则逻辑回归的损失函数（即似然）为：

上式中

上式即为交叉熵损失函数:

接下来对参数进行求导：

所以
更新梯度

2. 均方误差损失函数

接下来对参数进行求导：

由于上式红色部分的存在会导致当时，而当时也有。

交叉熵与均方误差的图像如下：

3. 总结
关于为什么使用交叉熵而不使用均方误差，总结如下：

• 神经网络中如果预测值与实际值的误差越大，那么在反向传播训练的过程中，各种参数调整的幅度就要更大，从而使训练更快收敛，如果预测值与实际值的误差小，各种参数调整的幅度就要小，从而减少震荡。

• 使用平方误差损失函数，误差增大参数的梯度会增大，但是当误差很大时，参数的梯度就会又减小了。

• 使用交叉熵损失是函数，误差越大参数的梯度也越大，能够快速收敛。

五、判别模型 vs 生成模型

判别模型会直接估计。
生成模型会估计，其中

一般情况下两种不一定相同。

生成模型的优点：

• 因为生成模型有一个先验的假设，所以需要更少的训练数据，而且对噪声有更高的鲁棒性。

• 先验分布和类别依赖的概率分布可以从不同的来源估计。

参考资料

ref:分类问题为什么要使用交叉熵损失函数而不是均方误差