論文 Dropout Feature Ranking for Deep Learning Models で提案されている Dropout Feature Ranking の手法を TensorFlow で実装した。 またその際に論文 Concrete Dropout で提案されているConcrete Relaxation の手法を用いた。
Dropout Feature Ranking では、ネットワークを２つの段階に分けて学習を行う。この２つのステップとは下記である。
- Pre-Train
- Train
1 の Pre-Train フェーズは、通常の全結合層-バッチ正則化層-ドロップアウト層を積み重ねたニューラルネットワークの学習と同じである。
2 の Train フェーズは、１の入力層に Variational Dropout 層を追加することでモデルを確率的ニューラルネットワークに変更し、またドロップアウトされていないユニットの数に比例した正則化項を損失関数に加え、学習する。 この Variational Dropout 層は各入力ユニットのドロップアウト率をパラメータとしたベルヌーイ分布から発生する離散変数 z を含んでいるため、誤差を逆伝搬することができない。 この問題を解決するため、まずは離散型確率分布であるベルヌーイ分布の確率質量関数に似た形の確率密度関数を持ちその質量の大半が0と1の周辺に偏在する連続型確率分布（ Concrete Distribution ）をベルヌーイ分布の近似分布として用いる Concrete Relaxation という手法を用いた。 この近似分布に対して Reparameterization Trick という手法を用いることで逆伝搬を可能にした。 また、モデルが十分に学習される前に入力の大半がドロップアウトされてしまうのを防ぐため、 最初は正則化項の寄与を軽くし、エポックが進むに従って正則化項の寄与を増加させる Annealing Trick を適用した。
今回の実行環境は以下である。
OS: Ubuntu 16.04
NVIDIA-Driver 390.87
NVIDIA GeForce GTX 1080
Python 3.6.3 (Anaconda)
Numpy 1.14.5
TensorFlow 1.10.0
impl.py を参照のこと。
Reparameterization Trickを用いて、ドロップアウト率をパラメータとするベルヌーイ分布の近似分布（Concrete Distribution）に従う乱数を一様乱数のノイズをベースに発生させている。これによって逆伝搬が可能になっている。
def concrete_dropout_neuron(dropout_p, shape, temp=1.0 / 10.0):
unif_noise = tf.random_uniform(shape)
approx = (
tf.log(dropout_p + eps)
- tf.log(1. - dropout_p + eps)
+ tf.log(unif_noise + eps)
- tf.log(1. - unif_noise + eps)
)
approx_output = tf.sigmoid(approx / temp)
return 1. - approx_output
ドロップアウトされていないユニット数に、ハイパーパラメータ regularizer_coef を掛けたものを正則化項としている。 ベルヌーイ分布ではなく Concrete Distribution を用いているので、各ユニットのドロップアウト率の総和をユニット数としてみなしている。
def eval_regularizer(logit_p):
dropout_p = tf.sigmoid(logit_p)
loss = 1. - dropout_p
return loss
...
regularizer_coef = 0.1
regularizer_loss = regularizer_coef * tf.reduce_sum(eval_regularizer(logit_p))
Pre-Train フェーズでは損失関数はクロスエントロピーのみであり、Train フェーズではクロスエントロピーに正則化項が加わる。プレースホルダ annealed_lambda には annealing(epoch, epoches) を渡している。これによりエポックが進むに従って徐々に正則化項 regularizer_loss の寄与が高くなる。
def annealing(epoch, epoches):
rw_max = epoches / 2
if epoch > rw_max:
return 1.
return epoch * 1.0 / rw_max
annealed_lambda = tf.placeholder(tf.float32)
regularizer_loss = regularizer_coef * tf.reduce_sum(eval_regularizer(logit_p))
crossentropy_loss = tf.reduce_mean(-tf.reduce_sum(t * tf.log(y + eps), axis=1))
loss = tf.cond(is_pretrain,
lambda: crossentropy_loss,
lambda: crossentropy_loss + annealed_lambda * regularizer_loss)
Pre-Train フェーズでは入力はそのままニューラルネットに渡され、Train フェーズでは入力に Variational Dropout によるマスクが掛けられる。このマスクは各入力ユニットのドロップアウト率をパラメータとするベルヌーイ分布の近似分布である Concrete Distribution から Reparameterization Trick を用いて生成される。
bernoulli_approx = concrete_dropout_neuron(dropout_p, tf.shape(x))
noised_x = x * bernoulli_approx
h = tf.cond(is_pretrain, lambda:x, lambda:noised_x)
h = tf.layers.dense (h, 170, tf.nn.relu)
h = tf.layers.batch_normalization(h, training=is_training)
h = tf.layers.dropout (h, 0.5, training=is_training)
h = tf.layers.dense (h, 170, tf.nn.relu)
h = tf.layers.batch_normalization(h, training=is_training)
h = tf.layers.dropout (h, 0.5, training=is_training)
y = tf.layers.dense (h, 10, tf.nn.softmax)
ドロップアウト率が低いユニットほど重要な特徴量であるとみなせるため、ドロップアウト率にマイナスを掛けたものを特徴量重要度として解釈している。
importance_vector = tf.sigmoid(-logit_p)
Pre-Train フェーズで重みを学習してから、Train フェーズに以降している。
以下の2点が各フェーズで異なる。
h = tf.cond(is_pretrain, lambda:x, lambda:noised_x)
loss = tf.cond(is_pretrain,
lambda: crossentropy_loss,
lambda: crossentropy_loss + annealed_lambda * regularizer_loss)
epoches はハイパーパラメータである。スコアが目的ではなく、特徴量重要度を得る目的であれば、過学習気味のエポック数を指定したほうがスパースな解を得られることを確認した。
with tf.Session() as sess:
sess.run(tf.global_variables_initializer())
#
# phase: pretraining
#
epoches = 200
for epoch in range(epoches):
X_, Y_ = utils.shuffle(X_train, Y_train)
for i in range(n_batches):
start = i * batch_size
end = start + batch_size
sess.run(train_step, feed_dict={
x: X_[start:end],
t: Y_[start:end],
is_training: True,
is_pretrain: True,
annealed_lambda: annealing(epoch, epoches),
})
#
# phase: learning prob
#
epoches = 500
for epoch in range(epoches):
X_, Y_ = utils.shuffle(X_train, Y_train)
for i in range(n_batches):
start = i * batch_size
end = start + batch_size
sess.run(train_step, feed_dict={
x: X_[start:end],
t: Y_[start:end],
is_training: True,
is_pretrain: False,
annealed_lambda: annealing(epoch, epoches),
})
両モデルともに画像**の数字の描かれている領域を重要とみなしているのがわかる。Dropout Feature Ranking のほうがよりスパースな解を得られている。