Xavier初心不负?

Xavier initialization是将neural network中的weight做normalization，这个做法是由 Xavier Glorot和Yoshua Bengio于2010年在”Understanding the difficulty of training deep feedforward neural networks”³ 这篇论文中提出。

在neural network中，如果weight的初始值太小，信息在layer之间传递时，会变得太小而失去作用(vanishing gradient problem)；如果初始值太大，信息则会在传递时变得太大 (exploding gradient problem)。Xavier initialization能够使信息在传递时维持在一个合理的范围内，因此能够传递通过较多的layer，而使loss收敛得较快或得到较好的 training结果。

文中的分析假设network的初始化处于线性条件，weight的初始化是独立的，且输入特征的 variance相同，则可以得到：

\(Var[{z}^{i}]=Var[x]\prod_{{i}^{'}=0}^{i-1}{{n}_{{i}^{'}}[{W}^{{i}^{'}}]}\)

\(Var[\frac{\partial{Cost}}{\partial{s}^{i}}]=Var[\frac{\partial{Cost}}{\partial{s}^{d}}]\prod_{{i}^{'}=i}^{d}{{n}_{{i}^{'}+1}Var[{W}^{{i}^{'}}]}\)

其中 \({z}^{i}\) 为第i层的输入向量，\({n}^{i}\) 为第i层的大小，\(x\) 为 network 的输入值，是 \(Var[{W}^{{i}^{'}}]\) 为第 \({i}^{'}\) 层中所有weight共同的variance， \({s}^{i}={z}^{i}{W}^{i}+{b}^{i}\) ，也是第i层 activation function 的输入向量，\(d\) 为network的层数。

在forward-propagation时，为了使资讯能够传递得更远，我希望在通过每一层后，向量的variance不变：

\(\forall(i,{i}^{'}), Var[{z}^{i}]=Var[{z}^{{i}^{'}}]\)

同样地, 在backward-propagation时, 希望cost function gradient的variance不变：

\(\forall(i, {i}^{'}), Var[\frac{\partial{Cost}}{\partial{s}^{i}}]=Var[\frac{\partial{Cost}}{\partial{s}^{{i}^{'}}}]\)

上述两个情况可写为：

\(\forall{i},\quad{n}_{i}Var[{W}^{i}]=1\)

\(\forall{i}, \quad{n}_{i+1}Var[{W}^{i}]=1\)

将两个条件综合, 我希望得到：

\(\forall{i}, \quad{Var[{W}^{i}]=\frac{2}{{n}_{i}+{n}_{i+1}}}\)

这篇论文提³出了一个能够大致满足目标的方法, 称为normalized initialization：

\(W\sim{U[-\frac{\sqrt{6}}{\sqrt{n}_{j}+{n}_{j+1}}, \frac{\sqrt{6}}{\sqrt{n}_{j}+{n}_{j+1}}]}\)

其中 \(U[-a, a]\) 是区间为(-a, a) 的 uniform distribution。当neural network的层数愈多时, 在层层传递的过程中, weight造成的效应愈大, 因此normalized initialization 的重要性愈高。

我的实验将Xavier initialization与以下两种initialization方法做比较：

1)随机截断正常初始化: 基本的random initialization, 从normal distribution中产生随机变数, 排除掉距离平均值两个标准差外的数值, 做为weight的初始值。

2)随机正交初始化: 以random orthogonal matrix做为neural network的weight初始值, 此方法由Saxe et al.⁴ 于2014年提出。 对于一个orthogonal matrix W, 会满足 \(W^{T}W=WW^{T}=I\) , 因此有以下特性：

1. \(\left\|Wx\right\|_{2}=\sqrt{(Wx)^{T}Wx}=\sqrt{x^{T}W^{T}Wx}=\left\|x\right\|_{2}\) , 任一向量乘上orthogonal matrix后, norm不改变。
2. \(w_{i}^{T}w_{j}=\delta_{ij}\) , 其中 \(w_{i}\) 是w的第i个column。Orthogonal matrix的column之间、row之间都互相orthonormal。

上述特性(1)能让输入向量在network中传递时, 保持norm不变, 因此用在层数较多的neural network或RNN时, 能够有效减少vanishing gradient problem和exploding gradient problem。特性(2)直观上来看能让weight之间有独立性, 因此让每个neuron学到不同的输入特征。

在实作random orthogonal initialization时, 先产生一个random normal distribution的矩阵M, 再用singular value decomposition得到 \(M=U\Sigma{V}\) , 其中U和V皆为 orthogonal matrix, 取其一做为weight的初始值。

我的实验是做在CIFAR-10这个dataset上。我试了三种model, 分别是:

1. 5层 fully-connected layer;
2. 2层 convolutional layer + 2层 fully-connected layer
3. 5层 convolutional layer + 3层fully-connected layer

每层convolutional layer之后都有加ReLU、normalization以及max pooling, 每层 fully-connected layer之后都有加ReLU。 每一种model都分别以 truncated normal、 Xavier、orthogonal 三种initialization方式, 测试其loss和accuracy随training step 的变化。

source code: https://github.com/YiddishKop/ml_src_initializer_compare.git

Training

python [5fc|2conv_2fc|5conv_3fc]_train.py

Testing

python [5fc|2conv_2fc|5conv_3fc]_eval.py