1.2　线性模型

我们刚才找出来的 对应的误差是480. 这是由2017年～ 2020年的数据计算出的结果. 现在，不妨用这对 去预测下2021年初每日的观看次数. 我们预测2021年1月1日～2021年2月14日间的每日观看次数，计算出新的损失. 在2021年没有看过的数据上，损失用 来表示，值是580. 将预测结果绘制出来，如图1.6 所示，横轴代表距离2021年1月1日的天数，0代表2021年1月1日，图中最右边的点代表2021年2月14日；纵轴代表观看次数. 红色线是真实的观看次数，蓝色线是预测的观看次数. 可以看到，蓝色线几乎就是红色线往右平移一天而已，这很合理，因为目前的模型正是用某天观看次数乘以0.97，再加上100，来计算次日的观看次数.

这个真实的数据中有一个很神奇的现象：它是周期性的，每 7 天就会有两天（周五和周六）的观看次数特别少. 目前的模型只能向前看一天.一个模型如果能参考前 7 天的数据，也许能预测得更准，所以可以修改一下模型. 通常，一个模型的修改方向，往往来自我们对这个问题的理解，即领域知识.

一开始，由于对问题完全不理解，我们的模型是

（1.11）

这个只考虑1天的模型不怎么好.接下来，我们观测了真实的数据，得到一个结论：每 7 天是一个循环.所以要把前 7 天的观看次数都列入考虑. 现在，模型变成

（1.12）

其中， 代表前7天中第 天的观看次数，它们分别乘以不同的权重 ，加起来，再加上偏置，就可以得到预测的结果.该模型在训练数据（即2017年～ 2020年的数据）上的损失是380，而只考虑1天的模型在训练数据上的损失是480； 对于2021年1月1日～ 2021年2月14日的数据（以下简称2021年的数据）上，它的损失是490. 只考虑1天的模型的损失是580.

这个新模型中 和 的最优值如表1.1所示.

模型的逻辑是：7天前的数据跟要预测的数值关系很大，所以 是0.79，而其他几天则没有那么重要.

其实，可以考虑更多天的影响，比如28天，即

（1.13）

这个模型在训练数据上的损失是330，在2021年1月1日～ 2021年2月14日数据上的损失是460.如果考虑56天，即

（1.14）

则训练数据上的损失是320，2021年1月1日～ 2021年2月14日数据上的损失还是460.

可以发现，虽然考虑了更多天，但没有办法再降低损失. 看来考虑天数这件事，也许已经到了一个极限.把输入的特征 乘上一个权重，再加上一个偏置，得到预测的结果，这样的模型称为 线性模型（linear model） .

1.2.1　分段线性曲线

线性模型也许过于简单， 和 之间可能存在比较复杂的关系，如图1.7 所示.对于 的线性模型， 和 的关系就是一条斜率为正的直线，随着 越来越大， 也应该越来越大.设定不同的 可以改变这条直线的斜率，设定不同的 则可以改变这条直线和 轴的交点.但无论如何改变 和 ，它永远都是一条直线，永远都是 越大， 就越大：某一天的观看次数越多，次日的观看次数就越多.但在现实中，也许当 大于某个数值的时候，次日的观看次数反而会变少. 和 之间可能存在一种比较复杂的、像红色线一样的关系.但不管如何设置 和 ，我们永远无法用简单的线性模型构造红色线.显然，线性模型有很大的限制，这种来自模型的限制称为模型的偏差，无法模拟真实情况.

所以，我们需要写一个更复杂、更有灵活性、有更多未知参数的函数. 图1.8 中，红色线可以看作一个常数项 再加上一些 hard sigmoid 函数（hard sigmoid 函数的特性是当输入的值介于两个阈值间的时候，图像呈现出一个斜坡，其余位置都是水平的）.常数项被设成红色线和 轴的交点一样大.第1个蓝色函数斜坡的起点，设在红色函数的起始地方. 第2个斜坡的终点设在第一个转角处，第1个蓝色函数的斜坡和红色函数的第1段斜坡斜率相同，这时候求 +❶， 就可以得到红色线左侧的线段.接下来，叠加第2个蓝色函数，所以第2个蓝色函数的斜坡就在红色函数的第1个转折点和第2个转折点之间，第2个蓝色函数的斜坡和红色函数的第2段斜坡斜率相同. 这时候求 +❶+❷，就可以得到红色函数左侧和中间的线段.对于第2个转折点之后的部分，再叠加第3个蓝色函数，第3个蓝色函数的斜坡的起点设在红色函数的第2个转折点，蓝色函数的斜坡和红色函数的第3段斜坡斜率相同. 最后，求 +❶+❷+❸，就得到了完整的红色线.

所以红色线[即分段线性曲线（piecewise linear curve）]可以看作一个常数和一些蓝色函数的叠加.分段线性曲线越复杂，转折的点越多，所需的蓝色函数就越多.

也许要考虑的 和 的关系不是分段线性曲线 ，而是图1.9 所示的曲线. 可以在这样的曲线上先取一些点，再把这些点连起来，变成一条分段线性曲线.而这条分段线性曲线跟原来的曲线非常接近，如果点取得够多或位置适当，分段线性曲线就可以逼近连续曲线，甚至可以逼近有角度和弧度的连续曲线. 我们可以用分段线性曲线来逼近任何连续曲线，只要有足够的蓝色函数.

和 的关系非常复杂也没关系，可以想办法写一个带有未知数的函数.直接写 hard sigmoid 函数不是很容易，但可以用 sigmoid 函数来逼近 hard sigmoid 函数，如图1.10 所示.sigmoid函数的表达式为

其中，输入是 ，输出是 ， 为常数.

当 的值趋近于正无穷的时候， 这一项就会几乎消失， 就会收敛于常数 ；当 的值趋近于负无穷的时候，分母就会非常大， 就会收敛于 0.

所以可以用这样的一个函数逼近蓝色函数.为了简洁，蓝色函数的表达式记为

（1.15）

其中

（1.16）

调整式(1.15)中的 、 和 ， 就可以构造各种不同形状的 sigmoid函数，从而用各种不同形状的 sigmoid函数逼近 hard sigmoid 函数.如图1.11 所示，如果调整 ，就会改变斜坡的坡度；如果调整 ，就可以左右移动sigmoid函数曲线；如果调整 ，就可以改变曲线的高度.所以，只要叠加拥有不同的 、 不同的 和不同的 的sigmoid函数，就可以逼近各种不同的分段线性函数（如图1.12 所示）：

（1.17）

此外，我们可以不只用一个特征 ，而是用多个特征代入不同的 、 、 ，构建出各种不同的sigmoid函数，从而得到更有 灵活性（flexibility） 的分段线性函数，如图1.13 所示. 可以用 来代表特征的编号. 如果要考虑 28 天的数据， 就可以取 1 ～ 28.

举个只考虑3个特征（即只考虑前3天～前1天）的例子. 此时 可以取 1、2、3，每一个 就代表一个蓝色函数. 每一个蓝色函数都用一个 sigmoid函数来近似，一共需要3个 sigmoid函数：

（1.18）

代表在第 个 sigmoid 函数中乘给第 个特征的权重.设图1.13 的蓝色虚线框中有

（1.19）

我们可以用矩阵和向量相乘的方法，得到如下比较简洁的写法.

（1.20）

也可以改成线性代数比较常用的表示方式，如下所示.

（1.21）

对应的是 、 、 .有了 、 、 ， 分别通过 sigmoid函数得到 、 、 ，即

（1.22）

因此，如图1.14 所示，蓝色虚线框里面做的事情，就是从 、 、 得到 、 、 .

上面这个比较有灵活性的函数可以用线性代数来表示，即

（1.23）

接下来，如图1.15 所示， 是特征，绿色的 是向量，灰色的 是数值. 、 、 、 是未知参数.把矩阵展平，与其他项“拼合”，就可以得到一个很长的向量. 把 的每一行或每一列拿出来，拿行或拿列都可以. 先把 的每一列或每一行“拼”成一个长向量，再把 、 、 “拼”进来，这个长向量可以直接用 来表示. 我们将所有未知参数一律统称 .

Q: 优化是找一个可以让损失最小的参数，是否可以穷举所有可能的未知参数的值？

A：在只有 和 两个参数的前提下，可以穷举所有可能的 和 的值. 所以在参数很少的情况下，甚至可能不用梯度下降，也不需要优化技巧. 但是当参数非常多的时候，就不能使用穷举的方法，而应使用梯度下降的方法找出可以让损失最小的参数.

Q：刚才的例子里面有 3 个 sigmoid函数，为什么是 3 个，能不能是 4 个或更多个？

A：sigmoid 函数的数量由我们自己决定，sigmoid 函数的数量越多，可以产生的分段线性函数就越复杂.sigmoid 函数的数量也是一个超参数.

接下来定义损失. 此前的损失函数记作 ，现在未知参数太多了，所以直接用 来统设所有的参数，损失函数记作 . 损失函数能够判断 的好坏，计算方法跟只有两个参数的情况是一样的：先给定 的值，即某一组 、 、 、 的值，再把特征 加进去，得到估测出来的 ，最后计算一下跟真实标签之间的误差. 把所有的误差通通加起来，就得到了损失.

下一步就是优化 ，即优化

（1.24）

要找到一组 ， 让损失越小越好，可以让损失最小的一组 称为 .一开始，要随机选一个初始的数值 . 接下来计算每一个未知参数对 的微分，得到向量 为

（1.25）

（1.26）

假设有 1000 个参数，向量 的长度就是 1000，这个向量也称为梯度向量. 代表梯度； 是指计算梯度的位置，也就是 等于 的地方.计算出 以后，接下来更新参数. 代表起始值，它是一个随机选的起始值，代表 更新过一次的结果. 用 减掉微分结果和 的积，得到 ，以此类推，就可以把 1000 个参数都更新了（见图1.16）：

（1.27）

（1.28）

参数有 1000 个， 就是 1000 个数值， 是1000 维的向量， 也是 1000 维的向量.整个操作就是这样，由 开始计算梯度，根据梯度把 更新成 ；再算一次梯度，再根据梯度把 更新成 ；以此类推，直到不想做，或者梯度为零，导致无法再更新参数为止. 不过在实践中，几乎不太可能梯度为零，通常停下来就是因为我们不想做了.

实现上，有个细节上的区别，如图1.17 所示，实际使用梯度下降时，会把 笔数据随机分成一个个的 批量（batch） ，每个批量里面有 笔数据.本来是把所有的数据拿出来计算损失 ，现在只拿一个批量里面的数据出来计算损失，记为 .假设 够大，也许 和 会很接近.所以在实现上，每次会先选一个批量，用该批量来算 ，根据 来算梯度，再用梯度来更新参数；接下来再选下一个批量，算出 ，根据 算出梯度，再更新参数；最后再取下一个批量，算出 ，根据 算出梯度，再用 算出来的梯度更新参数.

把所有的批量都看过一遍的过程称为一个 回合（epoch） ，每更新一次参数称为一次更新. 更新和回合是两个不同的概念.

举个例子，假设有 10 000 笔数据，即 等于 10 000； 批量大小（batch size） 设为 10，即 等于10.10 000 个 样本（example） 形成了 1000 个批量，所以在一个回合里面更新了参数 1000 次，所以一个回合不只更新参数一次.

再举个例子，假设有 1000 个数据，批量大小设为 100，批量大小和sigmoid 函数的个数都是超参数.1000 个 样本，批量大小 设为 100，1个回合总共更新10次参数.一个回合的训练其实不知道更新了几次参数，有可能 1000 次，也有可能 10 次，取决于批量有多大.

1.2.2　模型变形

其实还可以对模型做更多的变形，不一定要把 hard sigmoid 函数换成 soft sigmoid函数. hard sigmoid 函数可以看作两个 ReLU（Rectified Linear Unit，修正线性单元） 的叠加，ReLU先是一条水平的线，到了某个地方经过一个转折点，变成一个斜坡，对应的公式为

（1.29）

旨在看 0 和 哪个比较大，比较大的值会被当作输出：如果 ，输出是0；如果 ，输出是 . 如图1.18 所示，通过 、 、 可以挪动ReLU的位置和斜率. 把两个 ReLU 叠起来，就可以变成 hard sigmoid函数. 想要用 ReLU，就把前文用到 sigmoid 函数的地方换成 .

如图1.19 所示，两个 ReLU才能够合成一个 hard sigmoid函数.要合成 个 hard sigmoid函数，需要 个 sigmoid函数. 如果要用 ReLU 做到一样的事情，则需要 个 ReLU，因为两个 ReLU 合起来才是一个 hard sigmoid函数.表示一个 hard sigmoid 函数不是只有一种做法. 在机器学习里面，sigmoid 函数或 ReLU 称为 激活函数（activation function） .

当然还有其他常见的激活函数，但 sigmoid 函数和 ReLU 是最为常见的激活函数. 接下来的实验都选择用了 ReLU，显然 ReLU 比较好. 对于使用前56天数据的情况，实验结果如图1.20 所示.

连续使用 10个ReLU作为模型，跟使用线性模型的结果差不多.但连续使用 100 个 ReLU作为模型，结果就有显著差别了. 100 个 ReLU 在训练数据上的损失就可以从 320 降到 280，在测试数据上的损失也低了一些.接下来使用 1000 个 ReLU 作为模型，在训练数据上 损失 更低了一些，但是在模型没看过的数据上，损失没有变化.

接下来可以继续改进模型，如图1.21 所示，从 变成 ，就是把 乘上 再加 ，最后通过 sigmoid函数（不一定要通过 sigmoid函数，通过 ReLU 也可以得到 ）. 可以增加网络的层数，将同样的事情再反复多做几次：把 做这一连串的运算产生 ，接下来把 做这一连串的运算产生 ，等等.反复的次数是另一个超参数.注意， 、 和 、 不是同一组参数，这里增加了更多的未知参数.

每多做一次上述的事情，我们就添加了 100 个 ReLU. 依然考虑前 56 天的数据，实验结果如图1.22 所示，对于2017年～ 2020年的数据，如果做两次（2层），损失降低很多，从280 降到 180.如果做3次（3层），损失从 180 降到 140. 而在2021年的数据上，通过3次ReLU，损失从 430 降到了 380.

通过3次 ReLU 的实验结果如图1.23 所示，其中红色线是真实数据，蓝色线是预测出来的数据. 看红色线，每隔一段时间，就会有低点，在低点的地方，机器的预测还是很准确的.机器高估了真实的观看次数，尤其是红圈标注的这一天. 这一天有一个很明显的低谷，但是机器没有预测到这一天有明显的低谷，它晚一天才预测出低谷.

如图1.24 所示，sigmoid 函数或 ReLU 称为神经元（neuron）， 神经网络（neural network） 就是由神经元组成的.这些术语来自真实的人脑，人脑中有很多真实的神经元，很多神经元组成神经网络.图1.24 中的每一列神经元称为神经网络的一层，又称为 隐藏层（hidden layer） ，隐藏层多的神经网络就“深”，称为深度神经网络.

神经网络正向越来越深的方向发展，2012 年的 AlexNet有 8 层，在图像识别上的错误率为 16.4%. 两年之后的 VGG 有19层，错误率降至 7.3 %.后来的 GoogleNet 有 22 层，错误率降至 6.7%. 残差网络（Residual Network，ResNet） 有 152 层，错误率降至3.57%.

刚才只做到 3 层，我们应该做得更深，现在的神经网络都是几百层的，深度神经网络还要更深.但 4 层的网络在训练数据上的损失 是 100，在2021年的数据上的损失是440. 在训练数据上，3 层的网络表现比较差；但是在2021年的数据上，则是4 层的网络表现比较差，如图1.25 所示.模型在训练数据和测试数据上的结果不一致，这种情况称为 过拟合（overfitting） .

到目前为止，我们还没有真正发挥这个模型的力量，2021年 2 月 14日之前的数据是已知的.要预测未知的数据，选 3 层的 网络还是 4 层的 网络 呢？假设今天是 2 月 26 日，今天的观看次数是未知的. 如果用已经训练出来的神经网络预测今天的观看次数，就要选 3 层的网络，虽然 4 层的网络在训练数据上的结果比较好，但模型对于它没看过的数据的预测结果更重要.

深度神经网络的训练会用到 残差网络（Residual Network，ResNet） ，这是一种比较有效率的梯度计算方法.

1.2.3　机器学习框架

训练数据和测试数据如式（1.30） 所示. 对于模型来说，测试数据只有 而没有 ，我们正是使用模型在测试数据上的预测结果来评估模型的性能.

（1.30）

训练数据用来训练模型，训练过程如下.

（1） 写出一个有未知数 的函数， 代表一个模型里面所有的未知参数.这个函数记作 ，意思是函数名叫 ，输入的特征为 .

（2） 定义损失，损失是一个函数，其输入就是一组参数，旨在判断这组参数的好坏.

（3） 解一个优化的问题，找一个 ，让损失越小越好. 能让损失最小的 记为 ，即

（1.31）

有了 以后，就可以把它拿来用在测试数据上，也就是把 代入这些未知的参数. 本来 里面就有一些未知的参数，现在用 替代 ，输入测试数据，将输出的结果保存起来，就可以用来评估模型的性能. 6CCWiIDG/jkZoV5iDcZv/O+4cuoAFclfd57Y3ccKaHJj79JPp9qc06xbC2ENYirW