matlab - DerivativeCheck 因 minFunc 失败

Question

我正在尝试使用 minFunc 训练单层自动编码器，虽然成本函数似乎有所下降，但启用后，DerivativeCheck 会失败。我使用的代码尽可能接近教科书的值，尽管非常简化。

我使用的损失函数是平方误差:

$ J(W; x) =\frac{1}{2}||a^{l} - x||^2 $

其中$a^{l}$等于$\sigma(W^{T}x)$，其中$\sigma$是sigmoid函数。因此梯度应该是:

$\delta = (a^{l} - x)*a^{l}(1 - a^{l}) $

$\nabla_{W} =\delta(a^{l-1})^T $

请注意，为了简化事情，我完全放弃了偏见。虽然这会导致性能不佳，但它不会影响梯度检查，因为我只查看权重矩阵。此外，我还绑定(bind)了编码器和解码器矩阵，因此实际上只有一个权重矩阵。

我用于损失函数的代码是(编辑:我已经对循环进行了矢量化并稍微清理了代码):

% loss function passed to minFunc
function [ loss, grad ] = calcLoss(theta, X, nHidden)
  [nInstances, nVars] = size(X);

  % we get the variables a single vector, so need to roll it into a weight matrix
  W = reshape(theta(1:nVars*nHidden), nVars, nHidden);
  Wp = W; % tied weight matrix

  % encode each example (nInstances)
  hidden = sigmoid(X*W);

  % decode each sample (nInstances)
  output = sigmoid(hidden*Wp);

  % loss function: sum(-0.5.*(x - output).^2)
  % derivative of loss: -(x - output)*f'(o)
  % if f is sigmoid, then f'(o) = output.*(1-output)
  diff = X - output;
  error = -diff .* output .* (1 - output);
  dW = hidden*error';

  loss = 0.5*sum(diff(:).^2, 2) ./ nInstances;

  % need to unroll gradient matrix back into a single vector
  grad = dW(:) ./ nInstances;
end

下面是我用来运行优化器的代码(一次，因为所有训练样本的运行时间都相当长):

examples = 5000;
fprintf('loading data..\n');
images = readMNIST('train-images-idx3-ubyte', examples) / 255.0;

data = images(:, :, 1:examples);

% each row is a different training sample
X = reshape(data, examples, 784);

% initialize weight matrix with random values
% W: (R^{784} -> R^{10}), W': (R^{10} -> R^{784})
numHidden = 10; % NOTE: this is extremely small to speed up DerivativeCheck
numVisible = 784;
low = -4*sqrt(6./(numHidden + numVisible));
high = 4*sqrt(6./(numHidden + numVisible));
W = low + (high-low)*rand(numVisible, numHidden);

% run optimization
options = {};
options.Display = 'iter';
options.GradObj = 'on';
options.MaxIter = 10;
mfopts.MaxFunEvals = ceil(options.MaxIter * 2.5);
options.DerivativeCheck = 'on';
options.Method = 'lbfgs';    
[ x, f, exitFlag, output] = minFunc(@calcLoss, W(:), options, X, numHidden);

我使用 DerivitiveCheck 得到的结果通常小于 0，但大于 0.1。我尝试过使用批量梯度下降的类似代码，并获得了稍微好一点的结果(有些<0.0001，但肯定不是全部)。

我不确定我的数学或代码是否犯了错误。任何帮助将不胜感激!

更新

我在代码中发现了一个小拼写错误(没有出现在下面的代码中)，导致性能异常糟糕。不幸的是，我仍然得到不太好的结果。例如两个渐变的比较:

calculate     check
0.0379        0.0383
0.0413        0.0409
0.0339        0.0342
0.0281        0.0282
0.0322        0.0320

差异高达 0.04，我认为这仍然失败。

Answer 1

好吧，我想我可能已经解决了这个问题。一般来说，梯度的差异< 1e-4，尽管我至少有一个 6e-4。有谁知道这是否仍然可以接受？

为了得到这个结果，我重写了代码，并且没有绑定(bind)权重矩阵(我不确定这样做是否总是会导致导数检查失败)。我还包含了偏见，因为它们并没有让事情变得太复杂。

调试时我还意识到，代码中真的很容易出错。例如，我花了一段时间才发现:

grad_W1 = error_h*X';

而不是:

grad_W1  = X*error_h';

虽然这两行之间的差异只是 grad_W1 的转置，但由于需要将参数打包/解包到单个向量中，Matlab 无法提示 grad_W1 的维度错误。

我还包含了我自己的导数检查，它给出的答案与 minFunc 的答案略有不同(我的导数检查给出的差异均低于 1e-4)。

fwdprop.m:

function [ hidden, output ] = fwdprop(W1, bias1, W2, bias2, X)
  hidden = sigmoid(bsxfun(@plus, W1'*X, bias1));
  output = sigmoid(bsxfun(@plus, W2'*hidden, bias2));
 end

calcLoss.m:

function [ loss, grad ] = calcLoss(theta, X, nHidden)
  [nVars, nInstances] = size(X);
  [W1, bias1, W2, bias2] = unpackParams(theta, nVars, nHidden);
  [hidden, output] = fwdprop(W1, bias1, W2, bias2, X);
  err = output - X;
  delta_o = err .* output .* (1.0 - output);
  delta_h = W2*delta_o .* hidden .* (1.0 - hidden);

  grad_W1 = X*delta_h';
  grad_bias1 = sum(delta_h, 2);
  grad_W2 = hidden*delta_o';
  grad_bias2 = sum(delta_o, 2);

  loss = 0.5*sum(err(:).^2);
  grad = packParams(grad_W1, grad_bias1, grad_W2, grad_bias2);
end

unpackParams.m:

function [ W1, bias1, W2, bias2 ] = unpackParams(params, nVisible, nHidden)
  mSize = nVisible*nHidden;

  W1 = reshape(params(1:mSize), nVisible, nHidden);
  offset = mSize;    

  bias1 = params(offset+1:offset+nHidden);
  offset = offset + nHidden;

  W2 = reshape(params(offset+1:offset+mSize), nHidden, nVisible);
  offset = offset + mSize;

  bias2 = params(offset+1:end);
end

packParams.m

function [ params ] = packParams(W1, bias1, W2, bias2)
  params = [W1(:); bias1; W2(:); bias2(:)];
end

checkDeriv.m:

function [check] = checkDeriv(X, theta, nHidden, epsilon)
  [nVars, nInstances] = size(X);

  [W1, bias1, W2, bias2] = unpackParams(theta, nVars, nHidden);
  [hidden, output] = fwdprop(W1, bias1, W2, bias2, X);
  err = output - X;
  delta_o = err .* output .* (1.0 - output);
  delta_h = W2*delta_o .* hidden .* (1.0 - hidden);

  grad_W1 = X*delta_h';
  grad_bias1 = sum(delta_h, 2);
  grad_W2 = hidden*delta_o';
  grad_bias2 = sum(delta_o, 2);

  check = zeros(size(theta, 1), 2);
  grad = packParams(grad_W1, grad_bias1, grad_W2, grad_bias2);
  for i = 1:size(theta, 1)
      Jplus = calcHalfDeriv(X, theta(:), i, nHidden, epsilon);
      Jminus = calcHalfDeriv(X, theta(:), i, nHidden, -epsilon);

      calcGrad = (Jplus - Jminus)/(2*epsilon);
      check(i, :) = [calcGrad grad(i)];
  end
end

checkHalfDeriv.m:

function [ loss ] = calcHalfDeriv(X, theta, i, nHidden, epsilon)
  theta(i) = theta(i) + epsilon;

  [nVisible, nInstances] = size(X);
  [W1, bias1, W2, bias2] = unpackParams(theta, nVisible, nHidden);
  [hidden, output] = fwdprop(W1, bias1, W2, bias2, X);

  err = output - X;
  loss = 0.5*sum(err(:).^2);
end

更新

好吧，我也弄清楚了为什么绑重物会引起问题。我想直接降到 [ W1;偏差1；偏差2]，因为W2 = W1'。这样我就可以通过查看 W1 来简单地重新创建 W2。然而，由于 $\theta$ 的值被 epsilon 改变，这实际上同时改变了两个矩阵。正确的解决方案是简单地将 W1 作为单独的参数传递，同时减少 $\theta$。

更新2

好吧，这就是我因为深夜发帖而得到的结果。虽然第一次更新确实导致事情正确通过，但这不是正确的解决方案。

我认为正确的做法是实际计算W1和W2的梯度，然后将W1的最终梯度设置为grad_W1到grad_W2。挥手的论点是，由于权重矩阵同时用于编码和解码，因此它的权重必须受到两个梯度的影响。然而，我还没有仔细考虑过这一点的实际理论后果。

如果我使用自己的导数检查运行此程序，它会通过 10e-4 阈值。它比以前使用 minFunc 的导数检查要好得多，尽管仍然比我不绑定(bind)权重更糟糕。