可视化深度神经网络的损失景观......但我们能相信它们吗？
点击上方关注，All in AI中国
介绍
近年来，已经开发出一种方法来可视化深度神经网络的损失情况。我个人认为这是一个巨大的突破，但是，我对创建的可视化的有效性感到有点怀疑。今天我将研究作者的可视化方法，并介绍一些我认为很酷的其他方法。
方法
创造损失景观的整个过程非常简单直接。
- 训练网络
- 创建随机指示
- 向固定权重添加不同数量的扰动，并查看损失值是如何变化的
唯一需要注意的是如何创建随机方向。让我们来看看作者的方法。
他们的方法被称为“过滤器归一化”，它很容易理解。 （这是作者代码的链接https://github.com/tomgoldstein/loss-landscape）。基本上，对于具有4维的tensor，例如（64,3,3,3），我们将使标准方面与第一维相匹配，因此（64,1,1,1）在权重的范数和随机方向之间。 （在更简化的术语中，我们可以将其理解为匹配权重和随机方向之间的比例）。
以上是运行authors代码时的部分结果。现在我们可以利用tensor运算来简化整个过程。 （我将在稍后展示）
网络
绿球→输入图像（64,64,3）
蓝色矩形→卷积+ ReLU激活
红色矩形→软最大输出
对于这篇文章，我在CIFAR 10数据集上训练了三个九层完全卷积神经网络（如上所示）。没有任何规范化，具有批量标准化和本地响应规范化。
从上面的图中，我们可以看到具有批量标准化的网络已经实现了最高性能。
从现在开始，我将按照以下方式调用每个网络
Normal：没有任何规范化层的网络
Batch Norm：具有批量标准化层的网络
Local Norm：具有本地响应规范化层的网络
滤波器归一化
上面的代码片段显示了如何使用tensor操作进行过滤器归一化。
当我们使用滤波器归一化方法来可视化损失景观时，我们可以看到每个景观看起来并没有那么不同。只有在我们以对数尺度显示景观的情况下，我们才能看到，实际上，局部响应规范化的格局要更加清晰。
当我们将所有三个图以原始比例叠加在一起时，我们可以看到它们看起来有多相似。
过滤正交化
上述方法只是作者方法的一个简单修改，我们从简单的高斯分布生成随机方向，但是通过QR分解我们使方向正交化。
当我们将方向与不同维度正交化时，我们可以立即看到创建的损失景观之间是如何彼此不同的。与作者的方法相比，我们可以看到三个网络之间的损失情况存在差异。
正交权重投影
这与滤波器正交化大致相同，唯一的区别在于，在收敛权重的不同维度上执行ZCA白化，而不是由高斯分布生成。
与Filter Orthogonalization类似，我们可以看到生成的可视化之间存在一些差异。
权重的原理方向
最后的方法是在第一个主要方向上扰动权重，仅在不同维度之间。
我们可以清楚地看到生成的损失格局之间的差异。
讨论
我发这篇文章的唯一原因是为了表明，根据我们使用的方向，创建的损失格局可能会发生巨大变化。因此，我们需要质疑生成的损失格局的有效性，它们是否真正反映了受过训练的网络的特征。
代码
要访问用于创建可视化的代码，请单击此处Daily-Neural-Network-Practice-3/0 create viz.ipynb at master · JaeDukSeo/Daily-Neural-Network-Practice-3 · GitHub
要访问整个博客文章的代码，请单击此处Daily-Neural-Network-Practice-3/Loss LanScape at master · JaeDukSeo/Daily-Neural-Network-Practice-3 · GitHub
编译出品