常见的求微分方法

如何将微分应用于机器学习

Screenshot from 2024-05-27 10-10-35.png

我们前面的文章中已经介绍过，机器学习算法都是由上述三个部分组成: 假设类、 损失函数、 优化方法。我们的目标是优化假设类的参数，使得损失函数值能够达到最小，而优化参数这一过程中就需要对参数求偏导，从而需要利用微分操作。

数值微分

很多读者可能对微分和求导傻傻分不清，先给大家介绍一下两者的区别：

在数学和机器学习的背景下，"微分"和"求导"通常是密切相关的概念，但它们并不是完全相同的。

求导：这是一个操作，指的是找到一个函数的导数。导数表示函数的变化率。例如，对于函数 $f(x)$ ，求导的结果是 $f^ \prime (x)$ ，表示 $f(x)$ 在点 $x$ 处的变化率。
微分：这是一个更广泛的概念。微分可以看作是导数的一种应用，涉及到函数在某一点处的线性近似。对于函数 $f(x)$ ，在点 $x$ 处的微分 $df$ 可以写成 $df=f^\prime(x)dx$ ，这里 $dx$ 表示 $x$ 的一个很小的增量。

在机器学习中，"微分"和"求导"常常被用来描述同一个过程，即计算损失函数对模型参数的变化率。但是，从严格的数学角度来看：

求导更侧重于找到函数的导数。
微分更侧重于函数值的微小变化以及这种变化的近似。

总的来说，在机器学习领域，这两个术语可以在多数情况下互换使用，但理解它们的细微区别可以帮助更深入地理解相关概念。

我们直接通过定义计算偏导数可以使用下面的定义式：

\frac{\partial f(\theta )}{\partial \theta_i} = \underset{\epsilon \rightarrow 0}{lim} \frac{f(\theta + \epsilon e_i) - f(\theta)}{\epsilon}

其中 $e_i$ 为单位基，即其中元素只有在 $\theta_i$ 位置处为1,其它位置处为0。

如果我们想要更高的精度，可以使用下面的式子来近似：

\frac{\partial f(\theta)}{\partial \theta_i} = \frac{f(\theta + \epsilon e_i) - f(\theta - \epsilon e_i)}{2 \epsilon} + o(\epsilon^2)

上述式子是如何得到的呢，在高数课程中我们学习过泰勒公式，知道它是多项式近似表达函数的一个重要工具。对于在点 $a$ 处具有n阶可导的函数 $f(x)$ ，其泰勒展开式可以表示为：

f(x) = f(a) + f^\prime(a)(x-a) + \frac{f^{\prime \prime}(a)}{2!}{(x-a)}^2 + \frac{f^{\prime \prime \prime}(a)}{3!}{(x-a)}^3 + \dots + \\ \frac{f^{\prime \prime \prime}(a)}{n!}{(x-a)}^n + R_n(x)

其中：

$f(a)$ 是函数在 $a$ 处的值，
$f'(a)$ 是函数在 $a$ 处的一阶导数，
$f''(a)$ 是函数在 $a$ 处的二阶导数，
$f'''(a)$ 是函数在 $a$ 处的三阶导数，
依此类推，
$R_n(x)$ 是 $n$ 阶泰勒多项式的余项。

我们只需把 $x$ 取 $\theta + \delta$ , $a$ 取 $\theta$ ，将泰勒公式展开到二阶导数项，得到：

f(\theta + \delta) = f(\theta) + f'(\theta) \delta + \frac{1}{2}f''(\theta)\delta^2 + o(\delta ^2)

然后我们分别将 $\epsilon e_i$ 和 $-\epsilon e_i$ 代入 $\delta$ ,然后将两式相减，即可推导出那个精度更高的式子。

上述介绍的两种基于数值计算的微分方法，可以很好的避免误差精度问题，但是计算成本比较大，在机器学习算法中我们不使用这种方法来进行计算，而是把这种方法当作一种验证自动微分算法是否实现正确的工具。

也通常将这种数值微分计算出来的结果作为自动微分算法的单元测试案例。

\delta^T \nabla_ \theta f(\theta) = \frac{f(\theta + \epsilon \delta) - f(\theta - \epsilon \delta)}{2 \epsilon} + o(\epsilon^2)

符号微分

从高数课堂中，我们应该学习过下面的一些求偏导的法则：

\frac{\partial (f(\theta) + g(\theta))}{\partial \theta} = \frac{\partial f(\theta)}{\partial \theta} + \frac{\partial g(\theta)}{\partial \theta}

\frac{\partial (f(\theta) g(\theta))}{\partial \theta} = g(\theta) \frac{\partial f(\theta)}{\partial \theta} + f(\theta) \frac{\partial g(\theta)}{\partial \theta}

\frac{\partial (f(g(\theta)) }{\partial \theta} = \frac{\partial f(g(\theta))}{\partial g( \theta)} \frac{\partial g(\theta)}{\partial \theta}

通过这些法则来求偏导会导致很大的计算开销。

例如：对于 $f(\theta) = \prod _{i=1}^n \theta_i$ ，可得到 $\frac{f(\theta)}{\partial \theta _k} = \prod _{j \ne k} ^n \theta _j$ ，要计算所有 $\theta$ 的偏导数的话，需要计算 $n(n-2)$ 次乘法。

计算图

上面的例子中我们发现直接对每个参数求偏导存在很大的计算开销，那么我们有什么方法能够优化这些计算开销呢？

一个很直观的想法，我们可以将一些其它式子也能用到的中间结果保存下来，那么其它式子需要用的时候就不需要再重新计算了。

我们可以用一个有向无环图（Directed Acyclic Graph,DAG）来表示式子。

如：

y = f(x_1, x_2) = ln(x_1) + x_1 x_2 - sinx_2

对于上述函数，我们可以用下面的计算图来表示： Screenshot from 2024-05-27 15-34-59.png

每一个节点代表一个中间结果，边代表输入输出关系。

前向计算过程如下：

Screenshot from 2024-05-27 15-37-13.png

前向模式自动微分算法

对于前向微分计算，我们定义 $\dot{v_i} = \frac{\partial v_i}{\partial x_1}$ ，我们同样可以通过迭代计算图来计算 $\dot{v_i}$

前向自动微分计算过程如下： Screenshot from 2024-05-27 15-41-29.png

通过前向自动微分算法，我们得到了 $\frac{\partial y}{ \partial x_1} = \dot{v_7} = 5.5$

前向模式自动微分算法的缺陷

对于一个 $f: \mathbb R ^n \rightarrow \mathbb R ^k$ 的假设函数，我们需要对 $n$ 个输入，将计算图计算 $n$ 次来求各自参数的梯度，当 $n$ 比较小而 $k$ 比较大时，这种计算方式开销还不算很大。

但是在深度学习中，我们的假设函数通常是具有很多参数（即 $n$ 值很大）的，而输出通常是一个标量(即 $k = 1$ )。

在这种情况中，前向自动微分算法的计算开销就比较大了，我们需要使用其它的自动微分算法来改善这种计算开销。

反向模式自动微分算法

在介绍反向模式自动微分算法时，我们还是使用前面的这个例子：

y = f(x_1, x_2) = ln(x_1) + x_1 x_2 - sinx_2

计算图还是： Screenshot from 2024-05-27 15-34-59.png

我们定义： $\overline{v_i} = \frac{\partial y}{\partial v_i}$ ，我们可以通过计算图反向迭代计算 $\bar{v_i}$ ，计算过程如下： Screenshot from 2024-05-27 16-02-01.png

求偏导中的一种特殊情况

Screenshot from 2024-05-27 16-03-47.png

当 $v_1$ 同时作为多条路径的输入(如 $v_2、v_3$ )

这种情况要如何计算微分呢？我们可以把假设函数写成 $y=f(v_2, v_3)$ 这种形式，那么对 $v_1$ 求偏导就可以写成：

\overline{v_1} = \frac{\partial y}{\partial v_1} = \frac{f(v_2, v_3)}{\partial v_2} \frac{\partial v_2}{\partial v_1} + \frac{f(v_2, v_3)}{\partial v_3} \frac{\partial v_3}{\partial v_1} = \overline{v_2} \frac{\partial v_2}{\partial v_1} + \overline{v_3} \frac{\partial v_3}{\partial v_1}

定义 $\overline{v_{i \rightarrow j}} = \overline{v_j} \frac{\partial v_j}{\partial v_i}$ ，其中 $j$ 是每个和 $i$ 相邻接的计算图节点，那么我们可以得到

\overline{v_i} = \sum_{j \in next(i)} \overline{v_{i \rightarrow j}}

通过计算和 $i$ 节点相邻接的 $j$ 节点的梯度，然后将它们相加得到 $i$ 节点处的梯度

反向自动微分算法

Screenshot from 2024-05-27 16-23-57.png

反向自动微分算法案例

使用反向自动微分算法计算，我们需要重新构建一个计算图，我们以下面的例子开始，一步步的介绍反向自动微分的过程： Screenshot from 2024-05-27 16-28-40.png 左侧为反向自动微分算法伪代码，右侧为原始正向计算图，下面我们来构建反向自动微分计算图

Screenshot from 2024-05-27 16-30-59.png 首先构建第一个反向微分的节点 $\overline{v_4}$ ， $\overline{v_4} = \frac{\partial v_4}{\partial v_4} = 1$ ，id是恒等函数。

Screenshot from 2024-05-27 16-34-49.png 其中 $v_4 = v_2v_3$ ，那么 $\frac{\partial v_4}{\partial v_3} = v_2$ ，而 $\overline{v_3} = \overline{v_4} \frac{\partial v_4}{\partial v_3}$ ，代入得 $\overline{v_3} = \overline{v_4} v_2$ ，同理可推的 $\overline {v_{2 \rightarrow 4}} = \overline{v_4} v_3$ ，故得到上述红线构建的计算图。