葛家驛 楊乃森 唐 宏 徐朋磊 紀(jì) 超

（北京師范大學(xué)遙感科學(xué)國家重點(diǎn)實(shí)驗(yàn)室，北京 100875）

1 引言

深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的一個(gè)分支，已經(jīng)在圖像處理［1］、自然語言處理［2］、語音識(shí)別［3］等領(lǐng)域得到了廣泛應(yīng)用。深度神經(jīng)網(wǎng)絡(luò)成功的一個(gè)關(guān)鍵因素是它的網(wǎng)絡(luò)足夠深，大量非線性網(wǎng)絡(luò)層的復(fù)雜組合能對原始數(shù)據(jù)在各種抽象層面上提取特征。然而，由于大多數(shù)深度學(xué)習(xí)模型復(fù)雜度高、參數(shù)多、透明性低，如黑盒一般［4］，導(dǎo)致人們難以理解其內(nèi)部工作機(jī)制。由于缺乏一定的可解釋性，深度學(xué)習(xí)模型在醫(yī)學(xué)診斷［5］、自動(dòng)駕駛［6］等決策風(fēng)險(xiǎn)較高領(lǐng)域的應(yīng)用受到了嚴(yán)重阻礙。近幾年來，深度學(xué)習(xí)模型可解釋性研究引起了學(xué)術(shù)界和企業(yè)界的高度關(guān)注，人們相繼提出各類解釋方法來試圖解決模型“黑盒”問題，并取得了一些重要進(jìn)展［4］。

殘差網(wǎng)絡(luò)（Residual Network，簡稱ResNet）是深度學(xué)習(xí)領(lǐng)域中的一個(gè)里程碑式突破，在很大程度上避免了隨著網(wǎng)絡(luò)層數(shù)的增加而產(chǎn)生的梯度消失或梯度爆炸問題，這讓訓(xùn)練極深的網(wǎng)絡(luò)成為可能［7］。梯度提升方法［8］以階段性策略構(gòu)建加法模型，將多個(gè)基學(xué)習(xí)器集成為一個(gè)更強(qiáng)大的模型。其中決策樹常被用于梯度提升方法中的基學(xué)習(xí)器。端到端的梯度提升網(wǎng)絡(luò)［9］（End-to-end Gradient Boosting Network，簡稱EGB-Net）是以神經(jīng)網(wǎng)絡(luò)為基學(xué)習(xí)器，通過逐漸添加新的學(xué)習(xí)器成為一個(gè)集成模型。EGB-Net 可以在不同階段使用新數(shù)據(jù)訓(xùn)練新的學(xué)習(xí)器實(shí)現(xiàn)持續(xù)學(xué)習(xí)［10-11］，在一些應(yīng)用場景中有著一定的優(yōu)勢。EGB-Net 作為集成模型擁有較多的參數(shù)，容易產(chǎn)生過擬合問題。對每個(gè)學(xué)習(xí)器施加一個(gè)相同的學(xué)習(xí)率，可以作為防止過擬合的正則化［8］。EGB-Net 和ResNet 的網(wǎng)絡(luò)結(jié)構(gòu)有相似之處，二者后面的網(wǎng)絡(luò)單元（學(xué)習(xí)器或殘差塊）都在前面網(wǎng)絡(luò)單元的基礎(chǔ)上繼續(xù)學(xué)習(xí)，因此二者有一定的可比性。

EGB-Net 的網(wǎng)絡(luò)結(jié)構(gòu)較復(fù)雜，我們對其工作機(jī)制的理解不夠深入。可視化方法是打開神經(jīng)網(wǎng)絡(luò)“黑盒”的常用方法。當(dāng)前的可視化方法主要包含三類：一是對神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到的特征進(jìn)行可視化［12-13］；二是基于熱力圖［14］或顯著圖［15］的可視化方法；三是從特征變換、剖分等角度對網(wǎng)絡(luò)的分類過程進(jìn)行分析和可視化［16］。本文為了探究EGBNet 的工作機(jī)制，希望通過與其他網(wǎng)絡(luò)的對比，發(fā)現(xiàn)它們分類過程的差異。因此本文利用上述第三種可視化方法對EGB-Net 的分類過程進(jìn)行可視化和分析。我們通過將EGB-Net 與全連接神經(jīng)網(wǎng)絡(luò)（Multi-Layer Perceptron，簡稱MLP）和殘差網(wǎng)絡(luò)的對比，突出EGB-Net 的分類過程、特點(diǎn)和問題。由于EGB-Net 和ResNet 的網(wǎng)絡(luò)結(jié)構(gòu)有著更多的相似之處，我們利用啞節(jié)點(diǎn)對二者的自正則能力進(jìn)行了對比分析。之后，用可視化方法探索了學(xué)習(xí)率對EGB-Net 分類過程的影響。最后，通過實(shí)際分類任務(wù)上的實(shí)驗(yàn)，對可視化內(nèi)容所得結(jié)論的正確性進(jìn)行了驗(yàn)證。

2 EGB-Net網(wǎng)絡(luò)結(jié)構(gòu)與學(xué)習(xí)算法

2.1 ResNet

ResNet 是由殘差塊（殘差單元）構(gòu)建的，殘差塊的捷徑連接結(jié)構(gòu)相當(dāng)于包含一個(gè)天然的恒等映射，可以保留原始信息并減少網(wǎng)絡(luò)參數(shù)。圖1 給出了一個(gè)殘差塊示意圖，假設(shè)該殘差塊的輸入為xl，經(jīng)過殘差函數(shù)（weight：權(quán)重層，BN：歸一化層，ReLU：非線性激活函數(shù)層）變換后的值與輸入值相加（addition）并激活，作為下一個(gè)殘差塊的輸入xl+1。圖2（a）是簡化表示的擁有3 個(gè)殘差塊的ResNet 示意圖。

2.2 EGB-Net

EGB-Net由多個(gè)學(xué)習(xí)器集合而成，每個(gè)學(xué)習(xí)器內(nèi)部可以是全連接網(wǎng)絡(luò)或殘差網(wǎng)絡(luò)等基本的網(wǎng)絡(luò)結(jié)構(gòu)。如圖2（b）表示的是由3個(gè)學(xué)習(xí)器組成的EGB-Net，每個(gè)學(xué)習(xí)器是一個(gè)殘差網(wǎng)絡(luò)。EGB-Net逐個(gè)疊加學(xué)習(xí)器，在訓(xùn)練新學(xué)習(xí)器時(shí)，前面的學(xué)習(xí)器已經(jīng)訓(xùn)練完畢且凍結(jié)參數(shù)，只對新加的學(xué)習(xí)器的參數(shù)進(jìn)行更新，參數(shù)更新方法可以是梯度下降法。EGB-Net的學(xué)習(xí)器和ResNet的殘差塊都基于前面的學(xué)習(xí)器或殘差塊繼續(xù)學(xué)習(xí)，以提高網(wǎng)絡(luò)在訓(xùn)練集上的表現(xiàn)。二者主要的區(qū)別在于，EGB-Net的學(xué)習(xí)器是逐個(gè)疊加的，每次通過訓(xùn)練新的學(xué)習(xí)器來優(yōu)化目前的網(wǎng)絡(luò)，而ResNet 中所有的殘差塊是一起訓(xùn)練的。

2.3 EGB-Net的學(xué)習(xí)算法

由于EGB-Net 作為集成模型參數(shù)較多，容易產(chǎn)生過擬合問題。給EGB-Net中的每個(gè)學(xué)習(xí)器施加一個(gè)相同的學(xué)習(xí)率會(huì)降低單一學(xué)習(xí)器的主導(dǎo)地位，從而減小網(wǎng)絡(luò)過擬合［9］。和神經(jīng)網(wǎng)絡(luò)中用來控制參數(shù)更新速度的學(xué)習(xí)率不同，這里的學(xué)習(xí)率指當(dāng)前面的學(xué)習(xí)器訓(xùn)練完成后，在訓(xùn)練后一個(gè)學(xué)習(xí)器時(shí)，將前面學(xué)習(xí)器的輸出結(jié)果（如softmax 之前的結(jié)果）乘以一個(gè)小于1的常數(shù)。這樣可以強(qiáng)行減小前面的學(xué)習(xí)器將訓(xùn)練樣本歸為某個(gè)類別的概率值，從而讓后一個(gè)學(xué)習(xí)器可以“學(xué)到更多東西”。當(dāng)學(xué)習(xí)率等于1時(shí)，即將學(xué)習(xí)器的輸出結(jié)果乘以1，相當(dāng)于不施加學(xué)習(xí)率。學(xué)習(xí)率v和學(xué)習(xí)器的數(shù)量M共同決定了模型的性能［9］。當(dāng)學(xué)習(xí)率v存在的情況下，EGB-Net的算法如表1所示。

表1 端到端的梯度提升算法Tab.1 End-to-end gradient boosting algorithm

3 分類過程可視化

3.1 EGB-Net特征空間剖分可視化

對于某個(gè)分類任務(wù)，有時(shí)我們只能得到相對較弱的網(wǎng)絡(luò)作為集成模型的基學(xué)習(xí)器。為探究此時(shí)EGB-Net 的分類效果，我們生成含有1000 個(gè)樣本點(diǎn)的“同心圓”模擬數(shù)據(jù)，如圖3。隨機(jī)劃分500 個(gè)作為訓(xùn)練集，另外500 個(gè)作為測試集。該數(shù)據(jù)分為兩個(gè)類別，其中橙色點(diǎn)為類別0，藍(lán)色點(diǎn)為類別1。我們使用由5 個(gè)弱學(xué)習(xí)器集成的EGB-Net 對該數(shù)據(jù)進(jìn)行訓(xùn)練，每個(gè)弱學(xué)習(xí)器的隱層只有1 個(gè)節(jié)點(diǎn)。我們以兩個(gè)MLP 網(wǎng)絡(luò)作為參照，每個(gè)MLP 擁有5 個(gè)隱層，其中MLP1 的隱層只有1 個(gè)節(jié)點(diǎn)，MLP2 的隱層有2 個(gè)節(jié)點(diǎn)。MLP1 擁有與EGB-Net 差不多的參數(shù)量，MLP2 的參數(shù)量約是EGB-Net 的2 倍。EGB-Net和2 個(gè)MLP 的激活函數(shù)均為ReLU 函數(shù)，且其他參數(shù)設(shè)置相同。我們將充分訓(xùn)練后的三個(gè)網(wǎng)絡(luò)對原始特征空間的剖分情況進(jìn)行可視化，如圖4所示。

從圖中可以看出，EGB-Net 最后可以將兩類數(shù)據(jù)分好，而與其參數(shù)量差不多的MLP1 和參數(shù)量更多的MLP2 都不能將數(shù)據(jù)分好。為了看出EGB-Net將數(shù)據(jù)劃分的過程，進(jìn)而分析其相對于MLP 的優(yōu)勢，我們將每疊加一個(gè)學(xué)習(xí)器后EGB-Net 對原始特征空間的剖分情況進(jìn)行可視化，如圖5所示。

可以看到，隨著學(xué)習(xí)器的疊加，網(wǎng)絡(luò)對兩類數(shù)據(jù)的可分情況逐漸變好。后面的學(xué)習(xí)器在前面的基礎(chǔ)上繼續(xù)對特征空間進(jìn)行剖分，且主要針對前面沒有分好的部分，逐步提高網(wǎng)絡(luò)對數(shù)據(jù)的擬合能力。對于MLP 等整體進(jìn)行訓(xùn)練的網(wǎng)絡(luò)，其網(wǎng)絡(luò)中的參數(shù)是互相影響的，沒有使各個(gè)部分相對獨(dú)立的機(jī)制，難以將復(fù)雜任務(wù)分解成多個(gè)更簡單的任務(wù)。在此實(shí)驗(yàn)中，雖然MLP1 擁有5 個(gè)隱層，但由于隱層只含有1 個(gè)節(jié)點(diǎn)，不能將特征空間變換到更高的維度進(jìn)行剖分，最終只劃出一條線，明顯不能將數(shù)據(jù)分好。同樣對于隱層含有2個(gè)節(jié)點(diǎn)的MLP2，只能對特征空間進(jìn)行2 維的變換，最終也不能將數(shù)據(jù)分好。而EGB-Net 的每個(gè)學(xué)習(xí)器雖然只有1 個(gè)隱節(jié)點(diǎn)，但是后面的學(xué)習(xí)器可以基于前面學(xué)習(xí)器的劃分結(jié)果繼續(xù)對特征空間進(jìn)行劃分，因此最后可以完成分類。EGB-Net的分類機(jī)制可以將復(fù)雜的任務(wù)分解為多個(gè)子任務(wù)，這種分階段的訓(xùn)練方式在面對一些分類任務(wù)時(shí)，往往有其優(yōu)勢。

3.2 EGB-Net特征變換可視化

為進(jìn)一步探究EGB-Net 分類過程的特點(diǎn)，我們生成含有1000個(gè)樣本點(diǎn)的“螺旋線”模擬數(shù)據(jù)，其分類難度比“同心圓”數(shù)據(jù)較大，如圖6。同樣隨機(jī)劃分500 個(gè)作為訓(xùn)練集，另外500 個(gè)作為測試集。我們使用由10 個(gè)較強(qiáng)學(xué)習(xí)器組成的EGB-Net 對該數(shù)據(jù)進(jìn)行訓(xùn)練，每個(gè)學(xué)習(xí)器有1個(gè)殘差塊，每個(gè)殘差塊有2 個(gè)隱層，每個(gè)隱層有10 個(gè)節(jié)點(diǎn)。我們以ResNet作為參照，設(shè)置ResNet 擁有10 個(gè)殘差塊，每個(gè)殘差塊有2 個(gè)隱層，每個(gè)隱層同樣有10 個(gè)節(jié)點(diǎn)。兩個(gè)網(wǎng)絡(luò)的激活函數(shù)均設(shè)置為ReLU 函數(shù)，且其他參數(shù)設(shè)置相同。兩個(gè)網(wǎng)絡(luò)均得到充分的訓(xùn)練。

網(wǎng)絡(luò)訓(xùn)練完成后，我們將這1000個(gè)樣本點(diǎn)重新輸入到訓(xùn)練好的網(wǎng)絡(luò)中。對于EGB-Net，我們將每疊加1 個(gè)學(xué)習(xí)器后樣本點(diǎn)的狀態(tài)進(jìn)行可視化，如圖7（a）所示。可以觀察在經(jīng)過第1 個(gè)、前2 個(gè)、前3 個(gè)、......、前10 個(gè)學(xué)習(xí)器的特征變換后，兩類樣本線性可分的程度；對于ResNet，我們將每疊加1個(gè)殘差塊后樣本點(diǎn)的狀態(tài)進(jìn)行可視化，如圖7（b）所示?？梢杂^察在經(jīng)過第1 個(gè)、前2 個(gè)、前3 個(gè)、……、前10個(gè)殘差塊的特征變換后，兩類樣本線性可分的程度。由于EGB-Net 和ResNet 整體上都擁有10 個(gè)相同結(jié)構(gòu)的殘差塊，這樣的可視化方式可以較公平地比較二者分類過程的差異。

從可視化結(jié)果可以看出，對于EGB-Net，螺旋線數(shù)據(jù)在經(jīng)過第一個(gè)學(xué)習(xí)器的特征變換后，其形態(tài)就已經(jīng)發(fā)生了很大的變化，當(dāng)疊加到3 個(gè)學(xué)習(xí)器時(shí)基本上達(dá)到了線性可分的狀態(tài)，此時(shí)再疊加更多的學(xué)習(xí)器，數(shù)據(jù)的形態(tài)也不再發(fā)生明顯改變。對于ResNet，螺旋線數(shù)據(jù)在經(jīng)過前幾個(gè)殘差塊的特征變換后，其形態(tài)變化并不顯著，到第6個(gè)殘差塊還可以大致看出螺旋線的形狀。實(shí)驗(yàn)和觀察結(jié)果表明：EGB-Net 中的每個(gè)學(xué)習(xí)器，有著“努力”把數(shù)據(jù)分好的傾向。當(dāng)學(xué)習(xí)器較強(qiáng)時(shí)，前面的學(xué)習(xí)器對分類任務(wù)所做的貢獻(xiàn)更大，后面的學(xué)習(xí)器主要對前面沒有分好的細(xì)微部分進(jìn)行調(diào)整。而ResNet 中前面的殘差塊并沒有“努力”把數(shù)據(jù)分好的傾向，而是把更多的分類任務(wù)留給了后面，后面的殘差塊對分類任務(wù)所做的貢獻(xiàn)更大。

由于EGB-Net中的每個(gè)學(xué)習(xí)器會(huì)“努力”進(jìn)行分類，每疊加一個(gè)學(xué)習(xí)器后，當(dāng)前的網(wǎng)絡(luò)都會(huì)“努力”擬合訓(xùn)練數(shù)據(jù)，因此網(wǎng)絡(luò)容易出現(xiàn)過擬合。相比之下，ResNet 中的殘差塊并沒有都在“努力”進(jìn)行分類，這會(huì)使網(wǎng)絡(luò)不那么容易過擬合，然而也使得殘差塊可能存在著冗余。

3.3 EGB-Net和ResNet啞節(jié)點(diǎn)數(shù)量比較

上述兩個(gè)網(wǎng)絡(luò)隱層使用的非線性激活函數(shù)為ReLU 函數(shù)。隱層節(jié)點(diǎn)在進(jìn)行激活時(shí)，若特征空間中的所有特征點(diǎn)在輸入ReLU 函數(shù)時(shí)均小于0，此時(shí)該隱層節(jié)點(diǎn)對特征空間中的所有特征點(diǎn)均不激活，則稱該節(jié)點(diǎn)為真啞節(jié)點(diǎn)。若特征空間中的所有特征點(diǎn)在輸入ReLU 函數(shù)時(shí)均不小于0，此時(shí)該隱層節(jié)點(diǎn)對特征空間中的所有特征點(diǎn)均激活，則稱該節(jié)點(diǎn)為偽啞節(jié)點(diǎn)［16］。真啞節(jié)點(diǎn)與偽啞節(jié)點(diǎn)均不對特征空間進(jìn)行剖分，這類節(jié)點(diǎn)統(tǒng)稱為啞節(jié)點(diǎn)，將出現(xiàn)啞節(jié)點(diǎn)的情況稱為自正則［18］。啞節(jié)點(diǎn)的數(shù)量代表了網(wǎng)絡(luò)自正則能力的大小。

為進(jìn)一步了解EGB-Net和ResNet分類時(shí)網(wǎng)絡(luò)工作機(jī)制的差異，我們對這兩種網(wǎng)絡(luò)分別進(jìn)行1000次實(shí)驗(yàn)以統(tǒng)計(jì)其啞節(jié)點(diǎn)數(shù)量。實(shí)驗(yàn)用到的EGB-Net、ResNet以及螺旋線數(shù)據(jù)均與本文3.2中使用的相同。經(jīng)過訓(xùn)練，EGB-Net 和ResNet 在1000 次實(shí)驗(yàn)中的平均訓(xùn)練精度均達(dá)到99%以上，平均測試精度均達(dá)到95%以上。網(wǎng)絡(luò)訓(xùn)練完成后統(tǒng)計(jì)它們的啞節(jié)點(diǎn)數(shù)量，如圖8 所示。圖中展示的是1000 次訓(xùn)練中，每次訓(xùn)練結(jié)束后兩個(gè)網(wǎng)絡(luò)各自的啞節(jié)點(diǎn)數(shù)量（橫軸）與出現(xiàn)頻數(shù)的關(guān)系（縱軸）。

圖中EGB-Net 啞節(jié)點(diǎn)數(shù)量的區(qū)間為［1，16］，出現(xiàn)頻數(shù)最多的啞節(jié)點(diǎn)數(shù)量為8 個(gè)，出現(xiàn)了138 次。ResNet 啞節(jié)點(diǎn)數(shù)量的區(qū)間為［2，43］，出現(xiàn)頻數(shù)最多的啞節(jié)點(diǎn)數(shù)量為11個(gè)，出現(xiàn)了119次；經(jīng)統(tǒng)計(jì)，EGBNet 的平均啞節(jié)點(diǎn)數(shù)量為7.59 個(gè)，ResNet 的平均啞節(jié)點(diǎn)數(shù)量為11.22 個(gè)。結(jié)果表明，當(dāng)EGB-Net 和ResNet 網(wǎng)絡(luò)內(nèi)部殘差塊的數(shù)量和結(jié)構(gòu)相同時(shí)，訓(xùn)練后的EGB-Net 往往比ResNet 擁有較少數(shù)量的啞節(jié)點(diǎn)，所以其自正則能力相對較弱。由于EGB-Net 有更多的節(jié)點(diǎn)對特征空間進(jìn)行了剖分，網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)做了更細(xì)致的擬合，因此更容易出現(xiàn)過擬合。

3.4 有無學(xué)習(xí)率的EGB-Net分類過程可視化

前面提到在EGB-Net中，后面的學(xué)習(xí)器在很大程度上依賴前面學(xué)習(xí)器的分類結(jié)果，并對前面學(xué)習(xí)器的分類結(jié)果進(jìn)行調(diào)整。若學(xué)習(xí)器較強(qiáng)，前面的學(xué)習(xí)器對分類結(jié)果影響較大，后面的學(xué)習(xí)器在調(diào)整前面學(xué)習(xí)器的分類結(jié)果時(shí)會(huì)比較困難，此時(shí)更容易出現(xiàn)過擬合。在EGB-Net中加入學(xué)習(xí)率可以在一定程度上緩解過擬合。為探究學(xué)習(xí)率對EGB-Net分類過程的影響，我們使用3.2中用到的螺旋線模擬數(shù)據(jù)，并生成兩個(gè)除學(xué)習(xí)率外，其他網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)均相同的EGB-Net。每個(gè)EGB-Net由5個(gè)更強(qiáng)的學(xué)習(xí)器組成，每個(gè)學(xué)習(xí)器有3個(gè)殘差塊，每個(gè)殘差塊2個(gè)隱層，隱層有10個(gè)節(jié)點(diǎn)。其中一個(gè)EGB-Net的學(xué)習(xí)率為1（即不設(shè)置學(xué)習(xí)率），另一個(gè)EGB-Net的學(xué)習(xí)率為0.1。

通過繪制訓(xùn)練曲線可以觀察每疊加一個(gè)學(xué)習(xí)器后兩個(gè)網(wǎng)絡(luò)的表現(xiàn)，圖9 展示了當(dāng)上述兩個(gè)網(wǎng)絡(luò)疊加到1 個(gè)、3 個(gè)和5 個(gè)學(xué)習(xí)器時(shí)，它們在訓(xùn)練集和測試集上各自的精度和損失，其中每列從上到下為n個(gè)學(xué)習(xí)器時(shí)的訓(xùn)練曲線，n=1，3，5。這里我們只對兩網(wǎng)絡(luò)分類過程的差異進(jìn)行討論，暫不討論二者在測試集上的表現(xiàn)。

從訓(xùn)練曲線可以看到，第1 個(gè)學(xué)習(xí)器就可以使訓(xùn)練精度較高，訓(xùn)練損失接近于0，此時(shí)已基本可以將兩類數(shù)據(jù)分開。當(dāng)學(xué)習(xí)率為1，疊加到第3 個(gè)學(xué)習(xí)器時(shí)訓(xùn)練曲線接近于一條直線，此時(shí)后面的學(xué)習(xí)器對分類的影響很?。划?dāng)學(xué)習(xí)率為0.1，疊加到第3 個(gè)學(xué)習(xí)器時(shí)訓(xùn)練曲線不再是一條直線，說明此時(shí)后面的學(xué)習(xí)器可以對分類結(jié)果產(chǎn)生更大的影響。

為進(jìn)一步探究學(xué)習(xí)率對EGB-Net分類過程的影響，我們使用前面的可視化方法，將每疊加一個(gè)學(xué)習(xí)器，學(xué)習(xí)率為1和學(xué)習(xí)率為0.1的EGB-Net把樣本點(diǎn)特征變換后的形態(tài)，和對原始特征空間的剖分情況進(jìn)行可視化，如圖10所示。圖中按從左到右的順序，第1 列和第3 列分別是學(xué)習(xí)率為1 時(shí)，每疊加一個(gè)學(xué)習(xí)器，網(wǎng)絡(luò)對樣本點(diǎn)特征變換的結(jié)果和對原始特征空間剖分的結(jié)果；第2 列和第4 列分別是學(xué)習(xí)率為0.1時(shí)，每疊加一個(gè)學(xué)習(xí)器，網(wǎng)絡(luò)對樣本點(diǎn)特征變換的結(jié)果和對原始特征空間剖分的結(jié)果。

從圖中可以看出，隨著學(xué)習(xí)器的疊加，沒有設(shè)置學(xué)習(xí)率的EGB-Net樣本點(diǎn)的形態(tài)變化并不顯著，且對原始特征空間的剖分變化不大。設(shè)置了0.1的學(xué)習(xí)率之后，樣本點(diǎn)的形態(tài)變化更顯著，且對原始特征空間的剖分變化更大。這表明學(xué)習(xí)率的加入，使得后面的學(xué)習(xí)器對前面學(xué)習(xí)器的分類結(jié)果進(jìn)行了更多的調(diào)整。若不設(shè)置學(xué)習(xí)率，對于前面錯(cuò)分的部分，后面的學(xué)習(xí)器需要預(yù)測出更大的正確類別的概率值才能將錯(cuò)分部分糾正，此時(shí)后面的學(xué)習(xí)器調(diào)整起來更加困難。學(xué)習(xí)率的大小很大程度上決定了后面的學(xué)習(xí)器對分類結(jié)果的調(diào)整能力，當(dāng)EGB-Net中的學(xué)習(xí)器較強(qiáng)時(shí)，往往需要設(shè)置較小的學(xué)習(xí)率。

4 實(shí)驗(yàn)驗(yàn)證

4.1 數(shù)據(jù)與模型

對于可視化得到的關(guān)于EGB-Net分類過程的結(jié)論和發(fā)現(xiàn)，我們通過如下實(shí)驗(yàn)對其正確性進(jìn)行驗(yàn)證。應(yīng)用深度神經(jīng)網(wǎng)絡(luò)從遙感影像上提取感興趣的地物目標(biāo)，是近年來相關(guān)研究的熱點(diǎn)。建筑物作為主要的人造地物，地震等自然災(zāi)害對其的破壞經(jīng)常會(huì)造成生命和財(cái)產(chǎn)的損失。從遙感影像上提取建筑的分布情況，可以為災(zāi)損評估提供重要信息。基于此背景，我們以2010 年青海省玉樹地震發(fā)生前的玉樹縣城區(qū)（結(jié)古鎮(zhèn)）高分辨率遙感影像為實(shí)驗(yàn)數(shù)據(jù)，如圖11。該影像來源于美國Quickbird衛(wèi)星。我們將影像裁剪為64 個(gè)2048×2048 個(gè)像元大小的影像塊，隨機(jī)劃分32個(gè)為訓(xùn)練集，另外32個(gè)為測試集。

我們使用以U-NASNetMobile［9］為基學(xué)習(xí)器的GeoBoost模型［9］進(jìn)行實(shí)驗(yàn)，它是一個(gè)端到端的梯度提升網(wǎng)絡(luò)模型。其第一個(gè)學(xué)習(xí)器已經(jīng)使用建筑減災(zāi)和應(yīng)急管理數(shù)據(jù)集（DREAM-B）［9］訓(xùn)練完畢，用于玉樹遙感影像中建筑物的初步識(shí)別。我們首先使用只有這一個(gè)學(xué)習(xí)器的GeoBoost 模型在測試集上進(jìn)行預(yù)測，然后使用上述訓(xùn)練數(shù)據(jù)依次訓(xùn)練第2個(gè)和第3個(gè)學(xué)習(xí)器，并疊加到原模型中。為了驗(yàn)證學(xué)習(xí)率的作用，我們設(shè)置對照實(shí)驗(yàn)，其中一個(gè)模型在訓(xùn)練新的學(xué)習(xí)器時(shí)均不設(shè)置學(xué)習(xí)率（即學(xué)習(xí)率等于1），另一個(gè)模型在訓(xùn)練新的學(xué)習(xí)器時(shí)均設(shè)置學(xué)習(xí)率為0.1。除學(xué)習(xí)率外，二者的其他參數(shù)設(shè)置相同。

4.2 實(shí)驗(yàn)結(jié)果定量分析

我們使用精度度量指標(biāo)IoU（Intersection over Union：重疊度）評估模型的訓(xùn)練精度和測試精度。IoU 被定義為：

其中Prediction 為預(yù)測結(jié)果，GroundTruth 為真值標(biāo)簽。此外，也提供另一種精度度量指標(biāo)OA（Overall Accuracy：總體精度）用于參考。有無學(xué)習(xí)率的GeoBoost 模型在訓(xùn)練第2 個(gè)和第3 個(gè)學(xué)習(xí)器時(shí)，訓(xùn)練集和測試集上的IoU 如圖12 所示；三個(gè)階段的模型在測試集上的IoU 和OA 值如表2所示。

表2 模型在不同階段的測試精度Tab.2 Test accuracy of the model at different stages

從IoU 曲線可以看出，第3 個(gè)學(xué)習(xí)器在前面的基礎(chǔ)上繼續(xù)提高了模型的訓(xùn)練集和測試集精度，且訓(xùn)練第3 個(gè)學(xué)習(xí)器時(shí)模型收斂更快。這說明第2 個(gè)學(xué)習(xí)器難以利用新數(shù)據(jù)充分調(diào)整第1個(gè)學(xué)習(xí)器的分類結(jié)果，所以需要更多的學(xué)習(xí)器。EGB-Net 這種分階段的訓(xùn)練方式相當(dāng)于把復(fù)雜的任務(wù)分解，交給多個(gè)學(xué)習(xí)器逐步完成。

結(jié)合訓(xùn)練曲線和表格可以看到，學(xué)習(xí)率為0.1的模型在測試集上的精度明顯高于不設(shè)置學(xué)習(xí)率的模型精度，說明學(xué)習(xí)率可以提高基于EGB-Net 的模型的泛化能力。值得一提的是第2 個(gè)和第3 個(gè)學(xué)習(xí)器使用了上述訓(xùn)練集數(shù)據(jù)進(jìn)行訓(xùn)練，所以擁有2 個(gè)和3 個(gè)學(xué)習(xí)器的模型相比原模型總體上使用了更多的訓(xùn)練數(shù)據(jù)，因此其在指標(biāo)上的提升是可以預(yù)期的，這也體現(xiàn)了基于EGB-Net的模型的特點(diǎn)，即可以在不同階段利用新數(shù)據(jù)訓(xùn)練新的學(xué)習(xí)器，對原始模型進(jìn)行調(diào)整，從而有可能提高模型的泛化能力。

4.3 實(shí)驗(yàn)結(jié)果定性分析

圖13 顯示了當(dāng)學(xué)習(xí)率為1 時(shí)，不同階段的模型在測試集上的一些語義分割結(jié)果。圖14 顯示了當(dāng)學(xué)習(xí)率為1 時(shí)，擁有3 個(gè)學(xué)習(xí)器的模型；以及當(dāng)學(xué)習(xí)率為0.1時(shí)，擁有2個(gè)和3個(gè)學(xué)習(xí)器的模型在測試集上的一些語義分割結(jié)果，其中l(wèi)r 表示學(xué)習(xí)率。圖中的每一行為同一地點(diǎn)，最左列的紅色標(biāo)記是建筑物的真值標(biāo)簽，右邊三列的綠色標(biāo)記是模型的預(yù)測結(jié)果，黃色圓圈指示了其中值得關(guān)注的部分。

對比圖13 可以看出，只有1 個(gè)學(xué)習(xí)器的原模型，其預(yù)測結(jié)果有更多的粘連和錯(cuò)誤分類的部分，第2 個(gè)學(xué)習(xí)器在一定程度上對此進(jìn)行了調(diào)整，但不可避免的存在調(diào)整錯(cuò)誤的情況，擁有3 個(gè)學(xué)習(xí)器的模型給出了更好的預(yù)測結(jié)果。對比圖14可以看出，當(dāng)學(xué)習(xí)率為0.1 時(shí)，擁有3 個(gè)學(xué)習(xí)器的模型同樣給出了更好的預(yù)測結(jié)果，相比之下不設(shè)置學(xué)習(xí)率的模型預(yù)測結(jié)果要明顯差一些。需要注意的是這些可視化結(jié)果僅僅作為參考，不同階段模型產(chǎn)生的微小差異也有可能是由訓(xùn)練過程的隨機(jī)性和權(quán)值隨機(jī)初始化導(dǎo)致的，前面的定量分析結(jié)果更為可靠。

本節(jié)用定量和定性的方法分析了基于EGB-Net的GeoBoost 模型在實(shí)際分類任務(wù)上的特點(diǎn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了本文第3節(jié)通過可視化得到的相關(guān)結(jié)論。

5 結(jié)論

本文利用特征變換和特征空間剖分兩種可視化方法，對EGB-Net 的分類過程、優(yōu)點(diǎn)、問題等方面進(jìn)行了探索，有以下發(fā)現(xiàn)和結(jié)論：EGB-Net可以逐步完成分類任務(wù)，當(dāng)一個(gè)分類任務(wù)較復(fù)雜而單個(gè)網(wǎng)絡(luò)難以完成時(shí)，這種分階段的訓(xùn)練方式往往可以發(fā)揮其優(yōu)勢。由于EGB-Net的每個(gè)學(xué)習(xí)器都會(huì)“努力”去進(jìn)行分類，使得網(wǎng)絡(luò)中啞節(jié)點(diǎn)的數(shù)量較少，其自正則能力相對較弱，因此網(wǎng)絡(luò)容易出現(xiàn)過擬合問題。通過對設(shè)置了學(xué)習(xí)率的EGB-Net分類過程進(jìn)行可視化，可以直觀地看出學(xué)習(xí)率對其分類過程的影響。學(xué)習(xí)率增加了后面的學(xué)習(xí)器對分類結(jié)果的調(diào)節(jié)能力，從而平衡了各個(gè)學(xué)習(xí)器對分類結(jié)果的影響程度。最后通過實(shí)際分類任務(wù)上的實(shí)驗(yàn)對可視化的內(nèi)容從結(jié)果層面進(jìn)行了驗(yàn)證，而可視化內(nèi)容有助于解釋我們看到的實(shí)驗(yàn)結(jié)果。

文中將學(xué)習(xí)率設(shè)置為0.1來說明其作用，這不一定是其最佳的學(xué)習(xí)率，也是本文研究的不足之處。如何為EGB-Net找到適合的學(xué)習(xí)率是值得進(jìn)一步研究的內(nèi)容。在與EGB-Net 對比的過程中，我們發(fā)現(xiàn)ResNet 中的殘差塊沒有都在“努力”進(jìn)行分類，殘差塊可能存在冗余，如何在保證網(wǎng)絡(luò)性能的前提下，減少殘差塊數(shù)量以精簡網(wǎng)絡(luò)是另一個(gè)值得探討的內(nèi)容。