Réseaux de neurones Multicouches

Transcription

1 Réseaux de neurones Multicouches Partie 1 Caractérisé par: état interne s S voisinage s 1,., s n fonction de transfert f changement d état s=f(s 1, s 2,.,s n ) s 1 s 2 Neurone élémentaire s=f(s 1, s 2,.,s n ) s n synapse Exemples S={0,1} ou {-1,1} neurone binaire 1 : actif 0/-1 : inactif S={0,1,2,,k} neurone discret Si un neurone représente un pixel dans une image, i S représente le niveau de gris utilisé dans le codage. S=[a,b] neurone continu 1

2 s 1 s k s n entrées s 1 s k sommation Σ f Sortie S s i s n fonction de transfert s = i f ( A ) i A seuil s i S = {0,1} ou {-1,1} A i f(a) = 1 si A 0 f(a) = 0 ou -1 si A<0 Linéaire s i A i f = Id Quasi-linéaire 1-1 A i S = [-1,1] 2

3 Fonctions sigmoïde Connaissant la position d un point, déterminer automatiquement sa classe. D un point de vue géométrique: Déterminer les surfaces séparatrices entre les classes. Solution: Rechercher des surfaces séparatrices parmi une famille paramétrée donnée. Apprentissage: Déterminer les bons paramètres pour réaliser «au mieux» la tâche de séparation. 3

4 Quelle famille de surfaces choisir? 2 classes linéairement séparables y-ax-b>0 y-ax-b=0 y-ax-b<0 Cas simple : une séparation linéaire 2 classes non linéairement séparables y>f(x) classe C 1 y=f(x) y<f(x) classe C 2 Les surfaces séparatrices peuvent être complexes Notations : x R n (input) C 1 : ensemble des formes de la classe 1 C 2 : ensemble des formes de la classe 2 Hyperplan dans R n défini par l équation : Vecteur orthogonal à H 4

5 Distance algébrique h de x à l hyperplan (D 1 ) (H) x Distance algébrique (D 2 ) g > 0 g < 0 g = 0 Si on pose : g(x) = 0 x (H) L hyperplan (H) sépare l espace en 2 demi-espaces qui correspondent à : D 1 = {x / g(x) > 0} D 2 = {x / g(x) < 0} Formulation neuronale : Cas de 2 classes Neurone à seuil s f fonction seuil S = f(a) = 1 si A 0 S = f(a) = -1 si A < 0 1 x 1 x 2 s = 1 si x n s = -1 si 5

6 Les neurones sont réparties dans des couche successives (C K ) k=0,, C+1 La couche C 0 : «Couche d entrée», contient n neurones imposées de l extérieur. La couche C C +1: «Couche de sortie», contient p neurones. Les couches (C k )1 k C sont les «Couches cachées». La couche C k contient n k neurones (1 k C) Les états des neurones de C 0 sont dans R. Les états des autres neurones sont en général dans [-a, a]. Les seules connexions autorisées sont d un neurone de C k à un neurone de C l avec k<l. Les fonctions de transferts des neurones Les neurones d entrées n ont pas de fonctions de transferts, leurs états étant imposés par l extérieurs. Les neurones cachées ont des fonctions de transferts sigmoïdes. Les neurones de sorties, suivant les applications, ont des fonctions de transfert : sigmoïdes, linéaires, exponentielles ou autres 6

7 Les entrées La couche des neurones Les sorties On présente un vecteur input x = (x 1, x 2,, x n ) à la couche d entrée qui sera propagé d une couche à une autre vers la couche de sortie. y : étant le vecteur de sortie «output» calculé. G : fonction définie par le réseau : y = G(x,W) W représente l ensemble des poids Synaptiques et des seuils Exemple de propagation avant Seuil w 3 x 1 x u 1 u 2 u 3 u4 3 4 v 1 v 2 5 Seuil w 5 Les neurones 3, 4 et 5 ont la même fonction de transfert f Seuil w 4 Etat des neurones : 3 : s 3 = f(u 1 x 1 + u 3 x 2 + w 3 ) 4 : s 4 = f(u 2 x 1 + u 4 x 2 + w 4 ) 5 : s 5 = f(v 1 s 3 + v 2 s 4 + w 5 ) Ainsi dans ce cas : Y =G(X,W)=f[v 1 f(u 1 x 1 + u 3 x 2 + w 3 )+v 2 f(u 2 x 1 + u 4 x 2 + w 4 ) +w 5 ] 7

8 Choisir l architecture du réseau (ayant n entrées et p sorties). On note par W l ensemble des poids et des seuils. Calculer les états : propagation de couche en couche. x = Entrée du réseau y = Sortie calculée Le réseau définit une famille de fonctions paramétrée par W : Avec y = G(x,W) On note cette famille de fonctions par : Apprentissage On dispose d un ensemble d apprentissage : App = {(x k,d k ) ; k=1,, N} Où x k est la représentation d un individu et d k est la réponse qui lui est associée. Pour une architecture fixée et un système de poids donnés W, le réseau définie une fonction G(.,W). Pour un individu x k le réseau calcule la sortie y k : y k = G(x k,w) L apprentissage consiste à trouver les poids W * de façon que pour tout x k : y k d k Minimiser une fonction erreur J(A pp,w) 8

9 Erreur Quadratique L erreur entre d k et y k sera mesurée par la distance euclidienne : Où et sont les i ième composantes de y k et d k La fonction «erreur quadratique» est alors définie par : Il s agit d une erreur globale L apprentissage consiste à minimiser cette fonction : La minimisation se fait par une méthode de gradient Qui nécessite le calcule des : Algorithme de la rétro-propagation du gradient Détermination de Erreur sur la k ième forme Calcul la dérivée de par rapport w ij de : Il suffit de savoir calculer : Afin de simplifier les notations, on note par la suite ce terme par 9

10 j w ij neurone i Α i f i k pred(i) succ(i) Car On pose : On a : (1) s j j w ij i z i Pour i : neurone de la couche de sortie La quantité A i intervient directement dans J : et (2) (1) et (2) (3) 10

11 Pour i : neurone sur une couche cachée La quantité A i intervient dans la fonction J par le biais du calcul des états de l ensemble des neurones successeurs de i succ(i). Comme On tire alors : (4) (2) permet de calculer z i pour les neurones de sortie. (4) permet (par récurrence) de calculer z i pour les autres neurones (cachées). On commence le calcule pour les neurones de sortie, puis pour les neurones de l avant dernière couche et ainsi de suite jusqu aux neurones de la seconde couche 11

12 Tenant compte de : Conclusion J étant l erreur relative à un couple (x, d) de la base d apprentissage. Le calcule du gradient se présente ainsi : - Présenter x aux neurones de la couche d entrée et faire un propagation avant afin de calculer les états des neurones du réseau MLP - Initialiser les neurones de sorties par (2) et appliquer l algorithme de la rétro-propgation du gradient afin de calculer les z i des neurones. - Pour chaque poids synaptique w ij appliquer la formule : Remarque : Le seuil ω i d un neurone i peut être considéré comme un poids synaptique particulier. Il suffit d ajouter un neurone fictif à la couche d entrée ayant un état constant égale à 1 et d interpréter ω i comme étant son poids synaptique. 12

13 p classes Cas particulier :Classification Codage des classes Classification Détermination de frontières de décision complexes Mise au point pratique d'un réseau multicouche Exemple 1 Problème: détecter un évènement dans un signal "3 dans 8" Exemple Contre exemple 256 exemples Réseau Connection complète complexe Représentation interne a b c d 13

14 Exemple d une architecture multicouche pour la reconnaissance de visages [Viennet 91]. 14

15 Exemple d un réseau de neurones TDNN. Architecture utilisée pour l identification vocale du locuteur [Bennani 92]. 15

16 16

17 Apprentissage : Un exemple de la régression On dispose d une base d apprentissage : {(x k, d k ) ; k =1,,N} Où x k appartient à R et d k à R. L apprentissage consiste à déterminer une fonction G(., w) de R dans R et qui minimise l erreur quadratique : Il s agit donc d un problème de régression simple. Si nous faisons l hypothèse que les réponse désirée d k sont générées de la manière suivante : d k = g(x k ) + ε k (5) Où g est une fonction de R dans R et ε k est un bruit blanc tiré suivant la loi normale N(0,σ). Normalement, le but de l apprentissage, dans ce cas, est de retrouver g qui est la fonction soujacente aux données. 17

18 Un exemple simple de la régression : Ensemble généré suivant (*) et qui a servi à l apprentissage Ensemble Test1 généré suivant (5) et qui n a servi lors de l apprentissage Ensemble test2 généré suivant (5) et qui n a servi lors de l apprentissage Remarques concernant l exemple Les réseaux A et B sont formés d un couche cachée ayant respectivement 2 et 5 neurones. Ainsi, lors de l apprentissage, le réseau B arrive à générer une courbe plus complexe et qui passe par les points de l ensemble d apprentissage (donc il annule l erreur quadratique). Par contre, le réseau A arrive à mieux reproduire la fonction (g) qui est sous-jacente aux données générées. Quand on visualise le comportement ces deux réseaux sur les deux bases TEST1 et TEST2 on remarque que : Le réseau A un comportement plus robuste sur les deux bases Test1 et Test2. Le réseau B un comportement beaucoup moins robuste puisqu il est très mauvais relativement à test1 et beaucoup mieux relativement à Test2 Remarque : L apprentissage ne consiste pas à trouver l architecture qui minimise jusqu au bout la fonction erreur définie sur l ensemble d apprentissage 18

19 Apprentissage "par coeur" : le modèle ne "connaît" que les points utilisés pour l'apprentissage et fait n'importe quoi ailleurs. Modèle trouvé après apprentissage Modèle théorique sous-jacent Un système est décrit comme un vecteur aléatoire x dont les valeurs sont régies par la densité de probabilité p(x). A chaque vecteur x est associée un vecteur y qui se réalise suivant la loi conditionnelle p(y/x). L apprentissage consiste à ajuster les paramètres W, pour une famille de fonctions {F(x,W} w, en minimisant l erreur d apprentissage calculée sur un ensemble de N exemples: App = {(x k, d k ) ; k =1,,N} Mais la fonction F(x,W * ) ne minimise pas nécessairement l erreur en généralisation : En effet, l objectif de l apprentissage est de proposer un modèle capable d avoir de «bonnes performances» sur l ensemble des exemples possibles. 19

20 Estimation, de l erreur en généralisation L erreur en généralisation E gene est théorique, on ne peut pas la calculer. Il faut donc lui définir un estimateur. Si l on dispose de suffisamment de données, on pourra alors retenir une partie pour l ensemble d apprentissage (App) et utiliser une partie de ce qui reste afin de constituer une sorte base appelée base de teste : Test = {(x i, y i ) ; i =1,,p} On définit alors l erreur moyenne quadratique sur cet ensemble : E test dépend du choix aléatoire de l ensemble de teste, elle représente donc une variable aléatoire. On démontre que la moyenne de E test relativement à tous les ensembles d apprentissages possibles et de taille p est égale à Egene. E test est un estimateur non biaisé de E gene Quelques remarques E gene représente la valeur moyenne de E test. La précision avec laquelle E test approche E gene dépend de la variance de E test. Plus la variance est petite plus on a la garantie que l estimation est meilleure. Il faut donc : Choisir les exemples de l ensemble Test en respectant au mieux la distribution des données p(x,y). Prendre le nombre p suffisamment élevé. La variance de E test diminue lorsque p augmente. p=30 p=50 p=200 p=250 p=1000 Erreur en généralisation Erreur en test 20

21 Comparaison de J app (W, App) et J val (W, Test) pour 2 architectures différentes et deux ensembles de tests différents Le réseau B apprend par cœur, il a de mauvaises performances sur la base de validation Le réseau A montre qu'il y a une relation presque linéaire entre les données et réalise de meilleurs performances sur la base de validation. 21