只要你用了ReLU，我們就是好朋就是“淺度學(xué)習(xí)”。

最近有研究證明，所有基于ReLU的深度神經(jīng)網(wǎng)絡(luò)都可以重寫為功能相同的3層神經(jīng)網(wǎng)絡(luò)。

基于這個(gè)證明，倫敦國(guó)王學(xué)院的研究團(tuán)隊(duì)還提出一種為任意ReLU網(wǎng)絡(luò)找到相應(yīng)淺層網(wǎng)絡(luò)的算法。

由此產(chǎn)生的淺層網(wǎng)絡(luò)是透明的，可用于解釋網(wǎng)絡(luò)的行為。

只要通過算法，就能找到任意深度ReLU網(wǎng)絡(luò)的對(duì)應(yīng)淺層網(wǎng)絡(luò)。

對(duì)此網(wǎng)友驚呼：我要讀這篇論文，立刻馬上！

任何深度ReLU網(wǎng)絡(luò)都是淺層的

ReLU是深度學(xué)習(xí)領(lǐng)域最常用的一種激活函數(shù)，由Nair & Hintonw在2010為限制玻爾茲曼機(jī)(restricted Boltzmann machines)提出的。

由于常常在實(shí)踐中有著比其他常用激勵(lì)函數(shù)（例如邏輯函數(shù)）更好的效果，而被深度神經(jīng)網(wǎng)絡(luò)廣泛用于圖像識(shí)別等計(jì)算機(jī)視覺人工智能領(lǐng)域。

論文指出，每個(gè)深度ReLU網(wǎng)絡(luò)都可以轉(zhuǎn)換為一個(gè)功能相同且具有“三個(gè)隱藏層”的淺層網(wǎng)絡(luò)。并提供了一個(gè)找到對(duì)應(yīng)淺層網(wǎng)絡(luò)權(quán)重的算法，提高神經(jīng)網(wǎng)絡(luò)的全局可解釋性。

簡(jiǎn)單來說就是，通過劃分輸入空間，使用線性函數(shù)對(duì)每個(gè)分區(qū)進(jìn)行建模，來實(shí)現(xiàn)深層網(wǎng)絡(luò)淺化。

具體分為這三步。

首先，需要構(gòu)建一個(gè)將線性模型和半空間編碼的第一層，通過使用一個(gè)矩陣來表示半空間條件，其中每個(gè)行向量表示一個(gè)半空間的線性方程。

然后，構(gòu)建第二層，該層根據(jù)輸入的所屬區(qū)域決定哪些邊界是活躍的。

最后，構(gòu)建第三層，通過將輸入與每個(gè)線性模型相乘并使用指示函數(shù)來選擇正確的模型。

基于此，每一個(gè)深度ReLU網(wǎng)絡(luò)都可以被轉(zhuǎn)換為一個(gè)功能上相同的三層網(wǎng)絡(luò)，其權(quán)重值在擴(kuò)展實(shí)數(shù)中。

當(dāng)然要完成淺化，還需要一些咒（suan）語(yǔ)（fa）。

根據(jù)論文，使用算法時(shí)只需找到H、c、α、β這些參數(shù)，并知道每個(gè)區(qū)域所需的半空間就可以，主要分三步。

首先，識(shí)別可行的模式集，對(duì)于每個(gè)可行模式，計(jì)算全局線性規(guī)劃的參數(shù)A(l)和d(l)。

然后，確定半空間條件，將這些矩陣堆疊起來，確定每個(gè)激活模式的半空間條件。最終得到矩陣H和向量c。

最后，計(jì)算局部線性模型，根據(jù)模型的權(quán)重和激活模式，使用顯式公式，計(jì)算局部線性模型α和β。

簡(jiǎn)單理解，就是根據(jù)已訓(xùn)練好的網(wǎng)絡(luò)，通過啟發(fā)式搜索在可能的神經(jīng)元激活空間中找到合適的權(quán)重值。

通過構(gòu)建淺層白盒網(wǎng)絡(luò)，能夠快速計(jì)算出每個(gè)數(shù)據(jù)點(diǎn)的SHAP值，大大提高數(shù)據(jù)的可解釋性。

實(shí)驗(yàn)表明，通過上面算法就可以找到給定深度ReLU網(wǎng)絡(luò)對(duì)應(yīng)的淺層網(wǎng)絡(luò)的顯式權(quán)重。

網(wǎng)友：實(shí)驗(yàn)很酷，但也有些問題

論文很新穎的提出一個(gè)算法，可以實(shí)現(xiàn)“深轉(zhuǎn)淺”，不過該方法仍有一些缺點(diǎn)。

比如構(gòu)建淺層網(wǎng)絡(luò)使用了無限權(quán)重，盡管這些權(quán)重可以在Python中實(shí)現(xiàn)，但不能使用梯度下降進(jìn)行微調(diào)。

當(dāng)然，“找茬兒”這塊，怎能少得了熱心腸的網(wǎng)友。

根據(jù)論文可以發(fā)現(xiàn)，如果使用團(tuán)隊(duì)提供的算法，實(shí)驗(yàn)過程中計(jì)算時(shí)間其實(shí)是會(huì)隨著神經(jīng)元數(shù)量增加呈指數(shù)增長(zhǎng)。

所以就有網(wǎng)友提出疑惑：算法運(yùn)行時(shí)間與神經(jīng)元數(shù)量成指數(shù)關(guān)系，12個(gè)神經(jīng)元需要近10分鐘，那計(jì)算一個(gè)普通大小的DNN所需時(shí)間豈不是長(zhǎng)了去了……

網(wǎng)友指出：假設(shè)單層神經(jīng)網(wǎng)絡(luò)可以計(jì)算任何函數(shù)，那么對(duì)于任何神經(jīng)網(wǎng)絡(luò)來說，這不是都成立嗎？

對(duì)于這個(gè)研究，也有網(wǎng)友犀利表示：這就是個(gè)「普遍逼近定理」，沒什么大驚小怪的。

不過無論網(wǎng)友怎么說，這篇論文仍然有一些出彩點(diǎn)。

比如，通過這個(gè)方式得到的淺層網(wǎng)絡(luò)是透明的，可以用來生成模型行為的解釋。

此外還提供了用于復(fù)現(xiàn)實(shí)驗(yàn)的代碼，供其他研究人員使用來探索和實(shí)驗(yàn)。