深度学习概率

概率

简单地说，机器学习就是做出预测。

根据病人的临床病史，我们可能想预测他们在下一年心脏病发作的概率。在飞机喷气发动机的异常检测中，我们想要评估一组发动机读数为正常运行情况的概率有多大。在强化学习中，我们希望智能体（agent）能在一个环境中智能地行动。这意味着我们需要考虑在每种可行的行为下获得高奖励的概率。当我们建立推荐系统时，我们也需要考虑概率。例如，假设我们为一家大型在线书店工作，我们可能希望估计某些用户购买特定图书的概率。为此，我们需要使用概率学。有完整的课程、专业、论文、职业、甚至院系，都致力于概率学的工作。所以很自然地，我们在这部分的目标不是教授整个科目。相反，我们希望教给读者基础的概率知识，使读者能够开始构建第一个深度学习模型，以便读者可以开始自己探索它。

现在让我们更认真地考虑第一个例子：根据照片区分猫和狗。这听起来可能很简单，但对于机器却可能是一个艰巨的挑战。首先，问题的难度可能取决于图像的分辨率。

虽然人类很容易以 (160 \times 160) 像素的分辨率识别猫和狗，但它在 (40\times40) 像素上变得具有挑战性，而且在 (10 \times 10) 像素下几乎是不可能的。换句话说，我们在很远的距离（从而降低分辨率）区分猫和狗的能力可能会变为猜测。概率给了我们一种正式的途径来说明我们的确定性水平。如果我们完全肯定图像是一只猫，我们说标签 (y) 是”猫”的概率，表示为 (P(y=) “猫” ()) 等于 (1)。如果我们没有证据表明 (y=) “猫” 或 (y=) “狗”，那么我们可以说这两种可能性是相等的，即 (P(y=) “猫” ()=P(y=) “狗” ()=0.5)。如果我们不十分确定图像描绘的是一只猫，我们可以将概率赋值为 (0.5<P(y=) “猫” ()<1)。

现在考虑第二个例子：给出一些天气监测数据，我们想预测明天北京下雨的概率。如果是夏天，下雨的概率是 0.5。

在这两种情况下，我们都不确定结果，但这两种情况之间有一个关键区别。在第一种情况中，图像实际上是狗或猫二选一。在第二种情况下，结果实际上是一个随机的事件。因此，概率是一种灵活的语言，用于说明我们的确定程度，并且它可以有效地应用于广泛的领域中。

基本概率论

假设我们掷骰子，想知道看到 1 的几率有多大，而不是看到另一个数字。如果骰子是公平的，那么所有六个结果 ({1, \ldots, 6}) 都有相同的可能发生，因此我们可以说 (1) 发生的概率为 (\frac{1}{6})。

然而现实生活中，对于我们从工厂收到的真实骰子，我们需要检查它是否有瑕疵。检查骰子的唯一方法是多次投掷并记录结果。对于每个骰子，我们将观察到 ({1, \ldots, 6}) 中的一个值。对于每个值，一种自然的方法是将它出现的次数除以投掷的总次数，即此事件（event）概率的估计值。大数定律（law of large numbers）告诉我们：随着投掷次数的增加，这个估计值会越来越接近真实的潜在概率。让我们用代码试一试！

首先，我们导入必要的软件包。

1
2
3
4
%matplotlib inline
import torch
from torch.distributions import Multinomial
from d2l import torch as d2l

在统计学中，我们把从概率分布中抽取样本的过程称为抽样（sampling）。笼统来说，可以把分布（distribution）看作对事件的概率分配，稍后我们将给出的更正式定义。将概率分配给一些离散选择的分布称为多项分布（multinomial distribution）。

为了抽取一个样本，即掷骰子，我们只需传入一个概率向量。输出是另一个相同长度的向量：它在索引 (i) 处的值是采样结果中 (i) 出现的次数。

1
2
3
fair_probs = torch.ones([6]) / 6
Multinomial(1, fair_probs).sample()
# tensor([0., 0., 1., 0., 0., 0.])

在估计一个骰子的公平性时，我们希望从同一分布中生成多个样本。如果用 Python 的 for 循环来完成这个任务，速度会慢得惊人。因此我们使用深度学习框架的函数同时抽取多个样本，得到我们想要的任意形状的独立样本数组。

1
2
Multinomial(10, fair_probs).sample()
# tensor([5., 3., 2., 0., 0., 0.])

现在我们知道如何对骰子进行采样，我们可以模拟 1000 次投掷。然后，我们可以统计 1000 次投掷后，每个数字被投中了多少次。具体来说，我们计算相对频率，以作为真实概率的估计。

1
2
3
4
# 将结果存储为 32 位浮点数以进行除法
counts = Multinomial(1000, fair_probs).sample()
counts / 1000  # 相对频率作为估计值
# tensor([0.1550, 0.1820, 0.1770, 0.1710, 0.1600, 0.1550])

因为我们是从一个公平的骰子中生成的数据，我们知道每个结果都有真实的概率 (\frac{1}{6})，大约是 (0.167)，所以上面输出的估计值看起来不错。

我们也可以看到这些概率如何随着时间的推移收敛到真实概率。让我们进行 500 组实验，每组抽取 10 个样本。

1
2
3
4
5
6
7
8
9
10
11
12
counts = Multinomial(10, fair_probs).sample((500,))
cum_counts = counts.cumsum(dim=0)
estimates = cum_counts / cum_counts.sum(dim=1, keepdims=True)

d2l.set_figsize((6, 4.5))
for i in range(6):
    d2l.plt.plot(estimates[:, i].numpy(),
                 label=("P(die=" + str(i + 1) + ")"))
d2l.plt.axhline(y=0.167, color='black', linestyle='dashed')
d2l.plt.gca().set_xlabel('Groups of experiments')
d2l.plt.gca().set_ylabel('Estimated probability')
d2l.plt.legend()

每条实线对应于骰子的 6 个值中的一个，并给出骰子在每组实验后出现值的估计概率。当我们通过更多的实验获得更多的数据时，这 6 条实体曲线向真实概率收敛。

概率论公理

在处理骰子掷出时，我们将集合 (\mathcal{S} = {1, 2, 3, 4, 5, 6}) 称为样本空间（sample space）或结果空间（outcome space），其中每个元素都是结果（outcome）。事件（event）是一组给定样本空间的随机结果。例如，”看到 (5)“（({5})）和”看到奇数”（({1, 3, 5})）都是掷出骰子的有效事件。注意，如果一个随机实验的结果在 (\mathcal{A}) 中，则事件 (\mathcal{A}) 已经发生。也就是说，如果投掷出 (3) 点，因为 (3 \in {1, 3, 5})，我们可以说，”看到奇数”的事件发生了。

概率（probability）可以被认为是将集合映射到真实值的函数。在给定的样本空间 (\mathcal{S}) 中，事件 (\mathcal{A}) 的概率，表示为 (P(\mathcal{A}))，满足以下属性：

  1. 对于任意事件 (\mathcal{A})，其概率从不会是负数，即 (P(\mathcal{A}) \geq 0)；
  2. 整个样本空间的概率为 (1)，即 (P(\mathcal{S}) = 1)；
  3. 对于互斥（mutually exclusive）事件（对于所有 (i \neq j) 都有 (\mathcal{A}_i \cap \mathcal{A}j = \emptyset)）的任意一个可数序列 (\mathcal{A}_1, \mathcal{A}_2, \ldots)，序列中任意一个事件发生的概率等于它们各自发生的概率之和，即 (P(\bigcup{i=1}^{\infty} \mathcal{A}i) = \sum{i=1}^{\infty} P(\mathcal{A}_i))。

以上也是概率论的公理，由科尔莫戈罗夫于 1933 年提出。有了这个公理系统，我们可以避免任何关于随机性的哲学争论；相反，我们可以用数学语言严格地推理。例如，假设事件 (\mathcal{A}_1) 为整个样本空间，且当所有 (i > 1) 时的 (\mathcal{A}_i = \emptyset)，那么我们可以证明 (P(\emptyset) = 0)，即不可能发生事件的概率是 (0)。

随机变量

在我们掷骰子的随机实验中，我们引入了随机变量（random variable）的概念。随机变量几乎可以是任何数量，并且它可以在随机实验的一组可能性中取一个值。考虑一个随机变量 (X)，其值在掷骰子的样本空间 (\mathcal{S}={1,2,3,4,5,6}) 中。我们可以将事件”看到一个 (5)“表示为 ({X=5}) 或 (X=5)，其概率表示为 (P({X=5})) 或 (P(X=5))。通过 (P(X=a))，我们区分了随机变量 (X) 和 (X) 可以采取的值（例如 (a)）。然而，这可能会导致繁琐的表示。为了简化符号，一方面，我们可以将 (P(X)) 表示为随机变量 (X) 上的分布（distribution）：分布告诉我们 (X) 获得某一值的概率。另一方面，我们可以简单用 (P(a)) 表示随机变量取值 (a) 的概率。由于概率论中的事件是来自样本空间的一组结果，因此我们可以为随机变量指定值的可取范围。例如，(P(1 \leq X \leq 3)) 表示事件 ({1 \leq X \leq 3})，即 ({X = 1, 2, \text{or}, 3}) 的概率。等价地，(P(1 \leq X \leq 3)) 表示随机变量 (X) 从 ({1, 2, 3}) 中取值的概率。

请注意，离散（discrete）随机变量（如骰子的每一面）和连续（continuous）随机变量（如人的体重和身高）之间存在微妙的区别。现实生活中，测量两个人是否具有完全相同的身高没有太大意义。如果我们进行足够精确的测量，最终会发现这个星球上没有两个人具有完全相同的身高。在这种情况下，询问某人的身高是否落入给定的区间，比如是否在 1.79 米和 1.81 米之间更有意义。在这些情况下，我们将这个看到某个数值的可能性量化为密度（density）。高度恰好为 1.80 米的概率为 0，但密度不是 0。在任何两个不同高度之间的区间，我们都有非零的概率。在本节的其余部分中，我们将考虑离散空间中的概率。连续随机变量的概率可以参考深度学习数学附录中随机变量的一节。

处理多个随机变量

很多时候，我们会考虑多个随机变量。比如，我们可能需要对疾病和症状之间的关系进行建模。给定一个疾病和一个症状，比如”流感”和”咳嗽”，以某个概率存在或不存在于某个患者身上。我们需要估计这些概率以及概率之间的关系，以便我们可以运用我们的推断来实现更好的医疗服务。

再举一个更复杂的例子：图像包含数百万像素，因此有数百万个随机变量。在许多情况下，图像会附带一个标签（label），标识图像中的对象。我们也可以将标签视为一个随机变量。我们甚至可以将所有元数据视为随机变量，例如位置、时间、光圈、焦距、ISO、对焦距离和相机类型。所有这些都是联合发生的随机变量。当我们处理多个随机变量时，会有若干个变量是我们感兴趣的。

联合概率

第一个被称为联合概率（joint probability）(P(A=a,B=b))。给定任意值 (a) 和 (b)，联合概率可以回答：(A=a) 和 (B=b) 同时满足的概率是多少？请注意，对于任何 (a) 和 (b) 的取值，(P(A = a, B=b) \leq P(A=a))。这点是确定的，因为要同时发生 (A=a) 和 (B=b)，(A=a) 就必须发生，(B=b) 也必须发生（反之亦然）。因此，(A=a) 和 (B=b) 同时发生的可能性不大于 (A=a) 或是 (B=b) 单独发生的可能性。

条件概率

联合概率的不等式带给我们一个有趣的比率：(0 \leq \frac{P(A=a, B=b)}{P(A=a)} \leq 1)。我们称这个比率为条件概率（conditional probability），并用 (P(B=b \mid A=a)) 表示它：它是 (B=b) 的概率，前提是 (A=a) 已发生。

贝叶斯定理

使用条件概率的定义，我们可以得出统计学中最有用的方程之一：Bayes 定理（Bayes’ theorem）。根据乘法法则（multiplication rule）可得到 (P(A, B) = P(B \mid A) P(A))。根据对称性，可得到 (P(A, B) = P(A \mid B) P(B))。假设 (P(B)>0)，求解其中一个条件变量，我们得到

[
P(A \mid B) = \frac{P(B \mid A) P(A)}{P(B)}.
]

请注意，这里我们使用紧凑的表示法：其中 (P(A, B)) 是一个联合分布（joint distribution），(P(A \mid B)) 是一个条件分布（conditional distribution）。这种分布可以在给定值 (A = a, B=b) 上进行求值。

边际化

为了能进行事件概率求和，我们需要求和法则（sum rule），即 (B) 的概率相当于计算 (A) 的所有可能选择，并将所有选择的联合概率聚合在一起：

[
P(B) = \sum_{A} P(A, B),
]

这也称为边际化（marginalization）。边际化结果的概率或分布称为边际概率（marginal probability）或边际分布（marginal distribution）。

独立性

另一个有用属性是依赖（dependence）与独立（independence）。如果两个随机变量 (A) 和 (B) 是独立的，意味着事件 (A) 的发生跟 (B) 事件的发生无关。在这种情况下，统计学家通常将这一点表述为 (A \perp B)。根据贝叶斯定理，马上就能同样得到 (P(A \mid B) = P(A))。在所有其他情况下，我们称 (A) 和 (B) 依赖。比如，两次连续抛出一个骰子的事件是相互独立的。相比之下，灯开关的位置和房间的亮度并不是（因为可能存在灯泡坏掉、电源故障，或者开关故障）。

由于 (P(A \mid B) = \frac{P(A, B)}{P(B)} = P(A)) 等价于 (P(A, B) = P(A)P(B))，因此两个随机变量是独立的，当且仅当两个随机变量的联合分布是其各自分布的乘积。同样地，给定另一个随机变量 (C) 时，两个随机变量 (A) 和 (B) 是条件独立的（conditionally independent），当且仅当 (P(A, B \mid C) = P(A \mid C)P(B \mid C))。这个情况表示为 (A \perp B \mid C)。

应用

我们实战演练一下！假设一个医生对患者进行艾滋病病毒（HIV）测试。这个测试是相当准确的，如果患者健康但测试显示他患病，这个概率只有 1%；如果患者真正感染 HIV，它永远不会检测不出。我们使用 (D_1) 来表示诊断结果（如果阳性，则为 (1)，如果阴性，则为 (0)），(H) 来表示感染艾滋病病毒的状态（如果阳性，则为 (1)，如果阴性，则为 (0)）。在下表中列出了这样的条件概率。

表：条件概率为 (P(D_1 \mid H))

条件概率 (H=1) (H=0)
(P(D_1 = 1 \mid H)) 1 0.01
(P(D_1 = 0 \mid H)) 0 0.99

请注意，每列的加和都是 1（但每行的加和不是），因为条件概率需要总和为 1，就像概率一样。让我们计算如果测试出来呈阳性，患者感染 HIV 的概率，即 (P(H = 1 \mid D_1 = 1))。显然，这将取决于疾病有多常见，因为它会影响错误警报的数量。假设人口总体是相当健康的，例如，(P(H=1) = 0.0015)。为了应用贝叶斯定理，我们需要运用边际化和乘法法则来确定

[
\begin{aligned}
&P(D_1 = 1) \
=& P(D_1=1, H=0) + P(D_1=1, H=1) \
=& P(D_1=1 \mid H=0) P(H=0) + P(D_1=1 \mid H=1) P(H=1) \
=& 0.011485.
\end{aligned}
]

因此，我们得到

[
\begin{aligned}
&P(H = 1 \mid D_1 = 1)\
=& \frac{P(D_1=1 \mid H=1) P(H=1)}{P(D_1=1)} \
=& 0.1306.
\end{aligned}
]

换句话说，尽管使用了非常准确的测试，患者实际上患有艾滋病的几率只有 13.06%。正如我们所看到的，概率可能是违反直觉的。

患者在收到这样可怕的消息后应该怎么办？很可能，患者会要求医生进行另一次测试来确定病情。第二个测试具有不同的特性，它不如第一个测试那么精确，如下表所示。

表：条件概率为 (P(D_2 \mid H))

条件概率 (H=1) (H=0)
(P(D_2 = 1 \mid H)) 0.98 0.03
(P(D_2 = 0 \mid H)) 0.02 0.97

不幸的是，第二次测试也显示阳性。让我们通过假设条件独立性来计算出应用 Bayes 定理的必要概率：

[
\begin{aligned}
&P(D_1 = 1, D_2 = 1 \mid H = 0) \
=& P(D_1 = 1 \mid H = 0) P(D_2 = 1 \mid H = 0) \
=& 0.0003,
\end{aligned}
]

[
\begin{aligned}
&P(D_1 = 1, D_2 = 1 \mid H = 1) \
=& P(D_1 = 1 \mid H = 1) P(D_2 = 1 \mid H = 1) \
=& 0.98.
\end{aligned}
]

现在我们可以应用边际化和乘法规则：

[
\begin{aligned}
&P(D_1 = 1, D_2 = 1) \
=& P(D_1 = 1, D_2 = 1, H = 0) + P(D_1 = 1, D_2 = 1, H = 1) \
=& P(D_1 = 1, D_2 = 1 \mid H = 0)P(H=0) + P(D_1 = 1, D_2 = 1 \mid H = 1)P(H=1)\
=& 0.00176955.
\end{aligned}
]

最后，鉴于存在两次阳性检测，患者患有艾滋病的概率为

[
\begin{aligned}
&P(H = 1 \mid D_1 = 1, D_2 = 1)\
=& \frac{P(D_1 = 1, D_2 = 1 \mid H=1) P(H=1)}{P(D_1 = 1, D_2 = 1)} \
=& 0.8307.
\end{aligned}
]

也就是说，第二次测试使我们能够对患病的情况获得更高的信心。尽管第二次检验比第一次检验的准确性要低得多，但它仍然显著提高我们的预测概率。

期望和方差

为了概括概率分布的关键特征，我们需要一些测量方法。一个随机变量 (X) 的期望（expectation，或平均值 average）表示为

[
E[X] = \sum_{x} x P(X = x).
]

当函数 (f(x)) 的输入是从分布 (P) 中抽取的随机变量时，(f(x)) 的期望值为

[
E_{x \sim P}[f(x)] = \sum_x f(x) P(x).
]

在许多情况下，我们希望衡量随机变量 (X) 与其期望值的偏置。这可以通过方差来量化

[
\mathrm{Var}[X] = E\left[(X - E[X])^2\right] = E[X^2] - E[X]^2.
]

方差的平方根被称为标准差（standard deviation）。随机变量函数的方差衡量的是：当从该随机变量分布中采样不同值 (x) 时，函数值偏离该函数的期望的程度：

[
\mathrm{Var}[f(x)] = E\left[\left(f(x) - E[f(x)]\right)^2\right].
]

小结

  • 我们可以从概率分布中采样。
  • 我们可以使用联合分布、条件分布、Bayes 定理、边缘化和独立性假设来分析多个随机变量。
  • 期望和方差为概率分布的关键特征的概括提供了实用的度量形式。

参考资料