Softmaxを他の目で見る

Softmaxの対応物を考える

さきに、ディープ・ラーニングでよく使われる「クロス・エントロピー」が、もともとのシャノンのエントロピーをベイジアン風に拡大した（という「解釈」が存在するという意味なのだが）「相対エントロピー」の一種だという話をした。

「相対エントロピー」は、「まだ残されている、学習すべき情報」と解釈できるので、ディープ・ラーニングで「クロス・エントロピー」を最小にしようという目標は、この解釈だとわかりやすいと思うという話だった。

今日は、同じくディープ・ラーニングで多用される「Softmax」の話をしようと思う。

クロス・エントロピーと同様に、AIのエンジニアは、天下りでこの関数を使うことが多い。というか、ディープ・ラーニングのフレームワークに、そのまま準備されているので、「使い方」さえ覚えれば、クラスの分類は自動的に実行されるわけで、その「意味」や「成り立ち」を考える必要はないのだが。

ただ、それは、もったいないとも思う。（余計なお世話かな？）

物理から見てSoftmax（に対応する式）が、どういうものかを見てみよう。

ある系の持つ可能な状態の数を考える

それには少し準備がいる。

まず、同じ大きさのN個のBoxからなる系を考えよう。それぞれのBoxはk個の状態を持つとしよう。
あるBoxがある状態iを取るとき、次のように線で結ぶ。

この例は、Box1が状態１を取り、Box4が状態2を取り、Box Nが状態4を取ることを表している。Box2, Box3は、この図では線で状態と結ばれていないが、それは、表記上省略しているだけである。

次の図では、Box1が状態2を取り、Box3が状態1を取り、Box4が状態4を取り、Box Nが状態kを取ることを表している。Box2の状態は、この図では省略されている。

全てのBoxは、必ず、何らかの状態を持つのだが（例では省略されていても）、全ての状態が、あるBoxの状態になるとは限らない。次の例では、Box2, Box3, Box4 は、同じ状態2を持っている。

状態iが、何個のBoxで共有されているかを $n_i$で表すことにしよう。先の例では、$n_2=3$ということになる。$ n_1+n_2+n_3+ \cdots + n_k = N$ である。

この時、N個のBox、k個の状態からなるシステムが取り得る可能な組み合わせの総数Wは、次のようにして計算できる。
$$W=\frac{N!}{n_1! n_2! n_! \cdots n_k!}$$

この数を計算してみよう

階乗は、少し扱いにくいので、次のスターリングの近似式を用いる。
$$\log n! \simeq n \log n -n $$
$$\displaystyle \log W = \log \left( \frac{N!}{n_1! n_2! n_! \cdots n_k!} \right)=\log N! - \sum \log n_i != (N\log N -N) - \sum ( n_i \log n_i - n_i)$$
先に見たように、$\sum n_i = N$なので、左の $-N$と右の$\sum n_i$は、打ち消しあって消える。$$\displaystyle \log W = N \log N -\sum n_i \log n_i $$となる。

ここで、$\displaystyle p_i = \frac {n_i}{N}$と置く。$n_i = p_i N$である。また、$\sum n_i = N$から、$\sum p_i = 1$が成り立つ。
$$ \frac{1}{N}\log W=\log N - \frac{1}{N} \left( \sum n_i \log n_i \right) =\log N -\sum p_i \log (p_i N)=\log N - \left( \sum p_i \log p_i +\sum p_i \log N \right)$$
$\displaystyle \sum p_i= 1$であるから、$\sum  p_i \log N$は、$\log N$となって、打ち消しあう。

結局、
$$\frac{1}{N}\log W= -\sum p_i \log p_i$$
であることがわかる。

エントロピーが求まったが、もう少し進もう

この右辺は、エントロピーである。ここでの計算は、系が取り得る状態の数からエントロピーが導けることを示したものなのだが、今回は、もう少し先に進もうと思う。というのも、これだけじゃ、Softmax に届かないから。

これから、少し、物理っぽい話をする。といっても大したことではない。

先のBoxの図で、それぞれのBoxが状態iを持つときに、エネルギー$E_i$を持つとする。系全体のエネルギーは、次のようになる。ここで、$\langle E \rangle$は、一つのBoxの平均エネルギーである。
$$Energy_{Total}=\sum n_i E_i = N\langle E \rangle$$
両辺をNで割って、$\displaystyle p_i = \frac {n_i}{N}$を使えば、次の式が成り立つことがわかる。
$$\sum p_i E_i =\langle E \rangle$$
この条件と、$\sum p_i =1$が成り立つ時、次のような問題を考える。

「エントロピー $-\sum p_i \log p_i $は、どのような時に最大になるのか？」

分配関数

拘束条件が与えられた時の式の最大値（最小値でもいいのだが）の（必要）条件は、ラグランジェの未定乗数法で求められる。（ごめんなさい。疲れてきたので、説明は省く。）

次の式$ \mathcal{L}$ を考える。
$$ \mathcal{L} = \left( - \sum_{i} p_i \log p_i \right) + \alpha \left(\sum_{i} p_i - 1 \right) + \beta \left(\sum_{i} p_i  E_i  -  \langle E \rangle\right)$$
この式$ \mathcal{L}$を$p_i$で偏微分した式がゼロになる時、元の式が極値を取る条件が求められる。
$$ 0=\frac{\partial \mathcal{L}}{\partial p_i} =  -\log (p_i)  -1+\alpha + \beta E_i $$
これから、$\log p_i = -1 +\alpha + \beta E_i$がわかるから、$p_i = \exp \left( -1+ \alpha + \beta E_i \right)$。この時、$ \displaystyle 1 =  \sum_{i} p_i = \exp (  -1 + \alpha )  Z $と置ける。ただし、$ \displaystyle Z \equiv \sum_{j} \exp (\beta E_j)$である。だから、$ \displaystyle p_i = \frac{1}{Z} \exp ( \beta E_i )$

すなわち、
$$ p_i = \frac {e^{\beta E_i}}{\sum_{j} e^{\beta E_j}}$$
これは、Softmaxの式と同じ形である！

物理では、$ \displaystyle Z = \sum_{j} \exp (\beta E_j)$の形の式を「（エネルギー）分配関数（partition function)」と呼び、多くの応用がある。

温度をT、ボルツマン定数を $k_B$とした時、$\displaystyle \beta  \equiv \frac{1}{(k_B T)}$ であるので、熱力学では、次の形の分配関数がよく用いられる。$ \displaystyle Z = \sum_{j} \exp (\frac {E_j}{k_B T})$


コメント

コメントを投稿

このブログの人気の投稿

マルレク・ネット「エントロピーと情報理論」公開しました。

イメージ
前回の秋葉原でのマルレクのネット配信が始まりました。 https://crash.academy/class/156 タイトルを「エントロピーと情報理論 -- 量子情報理論入門 -- 」に変更しました。最初の30分は、無料です。 次回のマルレク「量子コンピュータとは何か？」の導入となるコンテンツです。 講演資料は、こちらです。 https://goo.gl/CKayix  あわせて、ご利用ください。 　　　--------------------------------- 　　　マルレク・ネット　ビデオ・コンテンツ　 　　　--------------------------------- 　「エントロピーと情報理論」 　　　　 https://crash.academy/class/156 　「人工知能の歴史を振り返る」 　　　　 https://crash.academy/class/139/ 　「ニューラル・コンピューターとは何か？」 　　　　 https://crash.academy/class/101/ 　「Google ニューラル機械翻訳」 　　　　 https://crash.academy/class/76/ 　「RNNとLSTMの基礎」 　　　　 https://crash.academy/class/66/
続きを読む

初めにことばありき

旧約の「創世記」の「光よあれ」は、ビッグバンを思わせて、物理学者はちょっと萌えるかもしれないのだが、新約の「ヨハネによる福音書」には、言語学者が喜びそうなフレーズがある。 「初めに言があった。言は神と共にあった。言は神であった。」 僕が知っていたのは、「はじめにことばありき」という訳だったのだが。この口語訳での「言」は、英訳だとこうなっている。 "In the beginning was the Word, and the Word was with God, and the Word was God." 「言」= "Word" である。はじめにあったのは、Wordであって、Language ではない。だから、新しい口語訳では、普段、あまり馴染みない「言」という訳語を使ったのかも。「初めに語があった」では、なんかしまらないんだろうな。（僕は、「はじめにことばありき」というフレーズの方が好きだ。） ちなみに、「ヨハネによる福音書」は、英語では、"Gospel of John" という。「ジョンのゴスペル」である。でも、そう日本語に訳してしまうと、ジョン・レノンがバラードではなく、ゴスペルを歌っているようで、まずいんだろうな。 「ことば」・「言」・"Word" と訳されている、元々の言葉を調べてみると面白い。 キリスト教のオーソドックスな原典であるラテン語訳聖書では、この部分は、こうなる。 "In principio erat Verbum, et Verbum erat apud Deum, et Deus erat Verbum" 「イン・プリンキピオー・エラト・ウェルブム」 英訳 Word のラテン語の原語は、Verbum である。この単語、英語に直訳すれば、Verbである。「初めに、動詞があった。」　言語学の「従属性文法 (Dependency Grammar) 」理論の人たち、喜びそう。 もっとも、英語のVerbは、元々は、動詞というより広く言葉全体をさしてたらしい。そのことは、「ノンバーバル・コミュニケーション (Non-Verbal Communication) 」というのが、動詞を使わないコミュニケーション
続きを読む

人間は、善と悪との重ね合わせというモデルの失敗について

人間は善と悪との「重ね合わせ」だという前回の話は、人間の本性の複雑さを語るのには、ありうる喩えなのかもしれないが、量子の「重ね合わせ」の喩えとしては、実は、二つの点で失敗しているのだ。 一つには、複雑な善と悪との重ね合わせから情報を引き出す「簡単・粗野」な方法として、善か悪かの判断のみを下す「善悪測定器」を、便宜的に導入したのだが、これがマズイ。 複雑な量子の状態を「測定」した時に、我々は、その状態を複雑なまま見いだすことは出来ないのだ。量子が、善と悪との状態の重ね合わせだとしたら、測定によって我々が見いだすのは、必ず、善か悪か、どちらかの状態の量子を見いだす。 もしも、量子が、善悪二つの状態の重ね合わせではなく、もっと沢山の状態（例えば、100個の状態）の重ね合わせの場合でも、我々が「測定」で得られるのは、その中の、たった一つの状態である。 だから、量子の世界では、善か悪かの判断のみを下す「善悪測定器」は、決して「便宜的」なものではなく、これ以外の測定はできないという意味で、「原理的」な制約を表現しているのである。そのことが、先の喩えでは、うまく表現されていない。 量子の不思議さを、「重ね合わせ」の状態が不思議だと思っている人も多いのだが、それは違うと思う。 善と悪との重ね合わせの前回の例もそうだし、波だって、フーリエ変換だって、我々の日常に、たくさん「重ね合わせ」の現象は存在する。それは、ちっとも不思議なことではないし、表象するのも簡単である。 不思議なのは、「重ね合わせ」ではなく、量子に対する「測定」の方なのだ。それは、我々が「測定」に対してもつイメージとは、かけ離れている。量子力学の基礎の部分を構成しているのは、この不思議な「測定」の形式化・数式化なのである。（そして、それは、難しいものではない。今度の「紙と鉛筆」の演習に来て。） 二つ目の失敗も、実は、「測定」の扱いに関係している。 先の例では、丸山は、1,000回ほど「善悪測定器」にかけられ、その結果で、70% 悪人で、30% 善人 だと判定されるみたいな話をした。それが違うのである。 我々が「測定」で得られるのは、「重ね合わせ」を構成する複数の状態の中のたった一つの状態であると書いたのだが、それだけではないのだ。「測定」によって、量子の状態は、「測定」された一
続きを読む