神经网络近似函数

神经网络的强大在于其能在有限区间内近似任意函数，更精确的说是MLP（多层感知机）是万能的函数近似机，证明由Cybenko给出。注意是在有限区间内，论文中也是在单位超立方体（the unit hypercube）内讨论。如果不是有限区间，可能得靠RNN，比如某些具有周期性质的函数，就能使用RNN近似。

MLP近似爱心函数

看到微博上推的使用MLP来近似函数的博文，我觉得少点东西，做点补充。第一步就挑一个有趣点的函数吧，随便挑个心形函数 $x^2+(y-\sqrt[3]{x^2})^2$ 。然后用keras很快就能搭个MLP，具体见github。

model = Sequential()

model.add(Dense(output_dim=64, input_dim=2))

model.add(Activation("tanh"))

model.add(Dense(output_dim=1))

model.compile(loss='mean_squared_error', optimizer=Adam())

训练之后就能得到对这个函数的近似，画成图如下：

还有个哥们居然搞了个penis的函数，无法直视，有兴趣的可以尝试。

RNN近似周期函数

超出训练的范围，MLP的近似就无效了，想想也知道，泛化能力不可能那么强。而RNN在一定程度上可以弥补一下，最好是有点周期性的函数。为了简单起见，就先用 $\sin(x)$ 测试好了。同样用keras快速搭个RNN，具体见github。

feature_length = 32

seq_length = 80

interval = 0.1

# RNN model using LSTM

model = Sequential()

model.add(LSTM(256, return_sequences=True, input_dim=feature_length))

model.add(TimeDistributed(Dense(feature_length)))

#model.add(Activation('tanh'))

model.compile(loss='mean_squared_error', optimizer=Adam())

关键是训练数据如何构造，也就是输入输出是怎样的。跟MLP不同，这里用函数值预测函数值，而不是输入 $x$ 。因为在如时间序列预测的情况下，输入 $x$ 是未知的，只能使用之前已知的函数值。我用相邻 feature_length个点组成一步的输入，总共 seq_length 步，其中每个点间隔 interval 。那预测就是后面的点，也可以只预测一个，我测试是预测 feature_length个，其中一半重合。比如0到32个点预测16到48个点（这样的做法似乎也能使用在MLP预测时间序列中，Quantitative Finance和论文）。说不清楚看下图或者看代码。

之后就是训练了， $\sin(x)$ 可以说是完美近似，后面因为累积误差导致不能近似的很好也是正常的。我又测试了 $\sin(x) * \sqrt[10]{x}$ ，有一个递增项，效果就没有 $\sin(x)$ 好了，但短期内效果还是好的。注意我画得图的区间不在测试区间内，也就是网络没看到过的数据，正因为RNN具有一定泛化能力才能有如此表现。