學(xué)貫中西(6):闡述ML分類器的工作流程

1   天字第一號ML模型：分類器

在上一期里，曾經(jīng)在Excel 畫面的幕后，設(shè)計(jì)了一個(gè)分類器（Classifier）模型，將各< 詩句> 歸類到各自所屬的< 作品>。此時(shí)，把一個(gè)作品名稱（如靜夜思），當(dāng)作一個(gè)類（Class）。于是，這種ML 模型，就通稱為：分類器。在ML（機(jī)器學(xué)習(xí)）領(lǐng)域中，分類器就是天字第1 號模型。

在本專欄的前面幾期里，曾經(jīng)介紹過分類器的幕后實(shí)踐技術(shù)。在本期里，就來把去年介紹過的技術(shù)，與華夏的藝術(shù)、文化創(chuàng)作，連結(jié)起來，讓您能夠貫通ML 的知識體系及其實(shí)現(xiàn)技術(shù)，請您回憶上一期的范例（見圖1）。

圖1 基本范例示意

這是ML 模型的基本技能，它透過機(jī)器學(xué)習(xí)而記住了< 詩句> 與< 作品名稱> 之間的關(guān)系，也就是分類關(guān)系。于是我們就可以把某個(gè)< 詩句> 輸入給這模型，由它來預(yù)測（推論）出其所屬的< 作品名稱>（參見圖2）。

圖2 典型的ML分類器模型

這是典型的ML 分類器模型。我們可以建立更多這樣的模型，來表達(dá)各式各樣的事物之間的復(fù)雜關(guān)系。

2   分類器的學(xué)習(xí)流程

剛才已經(jīng)說明了，分類器是一種AI 模型。顧名思義，它經(jīng)過機(jī)器學(xué)習(xí)，就能在人們的指引下，認(rèn)識不同種類的圖像，或其他事物。換句話說，它就具有分辨出不同種類事物的智慧能力。現(xiàn)在來舉例說明其學(xué)習(xí)流程。

2.1 收集數(shù)據(jù)

于此，敘述分類器的工作（學(xué)習(xí)）流程。例如，它就具有分辨出八大山人與畢加索，兩種不同畫作的風(fēng)格。首先，收集兩個(gè)類的畫作圖像，如圖3。

圖3 畫作圖像示意

這些圖像是用來訓(xùn)練一個(gè)分類器模型。訓(xùn)練完畢之后，它就具有分辨出八大山人與畢加索，兩種不同畫作的風(fēng)格。由于分類器是屬于監(jiān)督式學(xué)習(xí)（Supervised learning），我們先進(jìn)行分類，并且對各類來貼上標(biāo)簽（Label）。貼上類的標(biāo)簽:^[1]代表<Picasso> 類，而以[0]代表< 八大山人> 類（見圖4）。

分類器是屬于監(jiān)督式學(xué)習(xí)（Supervised learning），我們先進(jìn)行分類，并且對各類來貼上標(biāo)簽（Label）。貼上類的標(biāo)簽：[1] 代表<Picasso> 類，而以[0]代表< 八大山人> 類。接下來，就來定義這個(gè)分類器的架構(gòu)，包括它的各項(xiàng)參數(shù)來配合這些畫作圖像的大小（即多少像素）。

圖4 類標(biāo)簽及分類器

現(xiàn)在，訓(xùn)練數(shù)據(jù)（Training data）準(zhǔn)備好了，模型也定義好了，就可以展開< 機(jī)器學(xué)習(xí)> 了；也就是，開始訓(xùn)練這個(gè)分類器模型。

2.2 展開機(jī)器學(xué)習(xí)

●   步驟1：拿第1 筆數(shù)據(jù)來訓(xùn)練

首先從Picasso 類取出一筆數(shù)據(jù)（即一張畫作），以X 表示之，輸入給分類器。同時(shí)，把Picasso 類的標(biāo)簽，提供給分類器，做為目標(biāo)值（Target），簡稱：T 值（見圖5）。

圖5 目標(biāo)值設(shè)定

此時(shí)，分類器模型就進(jìn)行推論（Inference）：從X計(jì)算出Z。并且計(jì)算出Z 與T 的誤差。也就是：T–Z =Error（見圖6）。

圖6 推論產(chǎn)生

圖7 分類器參數(shù)更新

然后，依據(jù)這項(xiàng)誤差值（即Error）來更新這分類器的參數(shù)，如圖7 所示。于是，更新了分類器的參數(shù)，讓分類器的智慧提升了。此時(shí)已經(jīng)輸入第1 筆數(shù)據(jù)，并對分類器進(jìn)行1 次迭代（Iteration）的訓(xùn)練了。

●   步驟2：拿第2 筆數(shù)據(jù)來訓(xùn)練

現(xiàn)在從八大山人類取出一筆數(shù)據(jù)（即一張畫作），以X表示之，輸入給分類器。同時(shí)，把八大山人類的標(biāo)簽，提供給分類器，做為目標(biāo)值（T）。此時(shí)，分類器模型就進(jìn)行推論：從X 計(jì)算出Z，如圖8 所示。

圖8 推論Z的產(chǎn)生過程

接下來，就計(jì)算出Z 與T 的誤差。也就是：T–Z =Error。然后，依據(jù)這項(xiàng)誤差值（即Error）來更新這分類器的參數(shù)（見圖9）。

圖9 更新后的分類器參數(shù)

更新了分類器的參數(shù)，讓分類器的智慧提升了。此時(shí)已經(jīng)輸入2 筆數(shù)據(jù)，并對分類器進(jìn)行2 次迭代的訓(xùn)練了。

●   步驟3：繼續(xù)拿下一筆數(shù)據(jù)來訓(xùn)練

這是重復(fù)< 步驟1> 的學(xué)習(xí)流程，從Picasso 類取出另一筆數(shù)據(jù)（即另一張畫作），以X 表示之，輸入給分類器。同時(shí)，把Picasso 類的標(biāo)簽，提供給分類器，做為目標(biāo)值。此時(shí)，分類器模型就進(jìn)行推論，計(jì)算出Z和誤差值（Error）。最后，依據(jù)這項(xiàng)誤差值來更新這分類器的參數(shù)。更新了分類器的參數(shù)，讓分類器的智慧提升了。此時(shí)已經(jīng)輸入3 筆數(shù)據(jù)，并對分類器進(jìn)行3 次迭代的訓(xùn)練了。

●   步驟4：繼續(xù)拿下一筆數(shù)據(jù)來訓(xùn)練

這是重復(fù)< 步驟2> 的工作流程，但是從八大山人類別取出另一筆數(shù)據(jù)（即另一張畫作），來輸入給分類器。同時(shí)，把八大山人類的標(biāo)簽，提供給分類器，做為目標(biāo)值（T）。此時(shí)，分類器模型就進(jìn)行推論，計(jì)算出Z 和誤差值。最后，依據(jù)這項(xiàng)誤差值來更新這分類器的參數(shù)，讓分類器的智慧提升了。此時(shí)已經(jīng)輸入4 筆數(shù)據(jù)，并對分類器進(jìn)行4 次迭代的訓(xùn)練了。

●   步驟5：繼續(xù)重復(fù)循環(huán)下去

然后，重復(fù)循環(huán)下去，直到Error 趨近于0 為止。以上是典型的機(jī)器學(xué)習(xí)流程，其中每1 次迭代都各輸入1 筆數(shù)據(jù)給分類器去進(jìn)行學(xué)習(xí)（也是訓(xùn)練），也更新1 次模型參數(shù)。這樣地重復(fù)循環(huán)下去，就會逐一地把各筆數(shù)據(jù)（畫作）都輸入給分類器去學(xué)習(xí)了。當(dāng)我們把全部數(shù)據(jù)都輸入給模型去學(xué)習(xí)了，就稱為：學(xué)習(xí)一回合（Epoch）。

如果學(xué)習(xí)了一回合之后，發(fā)現(xiàn)其誤差值（Error）還蠻大的（不接近于0），表示學(xué)習(xí)得還不夠好。于是繼續(xù)重復(fù)下去，也就是進(jìn)行另一回合的學(xué)習(xí)，重復(fù)循環(huán)下去，直到Error 趨近于0 為止。一般而言，機(jī)器學(xué)習(xí)都需要進(jìn)行數(shù)千或數(shù)萬，或更多回合的學(xué)習(xí)（訓(xùn)練）過程，Error 才會趨近于0。

3   學(xué)習(xí)的效果

于此，使用空間對應(yīng)（Space-mapping）的觀念來解釋之。輸入空間（即X 空間）包含全部數(shù)據(jù)（畫作），經(jīng)由推論（計(jì)算）之后，會對應(yīng)到輸出空間（即Z 空間）。這種對應(yīng)過程，就通稱為：模型推論，如圖10 所示。

圖10 模型推論

經(jīng)過數(shù)百或數(shù)千，或更多回合的學(xué)習(xí)之后，這分類器就能把這些畫作，對應(yīng)（Mapping）到它們各自所屬的類了。

圖11 關(guān)系的建立

一旦機(jī)器學(xué)習(xí)完成，圖11 里的關(guān)系建立起來了。計(jì)算機(jī)（ML 模型）就觀察畫作的風(fēng)格，而推論出該幅畫作是來自畢加索或是來自八大山人了。

4   結(jié)語

前面提到了，分類器是ML 領(lǐng)域的天字第一號模型。為什么它具有這樣重要的角色呢? 請您仔細(xì)領(lǐng)會一下圖11 里的X（空間）與Z（空間）的關(guān)系?；谶@項(xiàng)關(guān)系，ML 模型就觀察畫作的風(fēng)格（結(jié)果），而推論出該幅畫作是來自畢加索（原因）或是來自八大山人了。

于是，X 空間里的事物或其特征，是我們所觀察到的結(jié)< 果>。而Z 空間里所表達(dá)的卻是這些結(jié)果幕后隱藏的原< 因>。一旦能找到眼前（現(xiàn)實(shí)）結(jié)果幕后藏的真正的因，我們就能針對此< 因> 而對癥下藥，就可以改變眼前的< 果> 了。這稱為：溯因（Abductive reasoning）推理。君不見，許多人類的科學(xué)性創(chuàng)新，大多來自于這項(xiàng)溯因（又稱果因）推理能力。請您期待本專欄的繼續(xù)解說ML 的更多魅力。

（本文來源于《電子產(chǎn)品世界》雜志2022年4月期）