一、优化器

回忆：随机梯度下降(SGD)及动量(momentum)

训练中需要调整学习率  

随机梯度下降算法对每批数据 进行优化，其中J 为损失函数：

基于动量的更新过程：

我们前面学习地更新 的方法，都是对所有的变量进行调整的，是全局且同等地调整各个参数的学习率，这并不一定是最优的学习方式(如不同层的权值的更新率不一定非要相同)，

那么我们能不能让它自适应地对不同参数进行不同学习率地调整呢？

1.1 Adagrad算法

一种典型的自适应学习率算法

梯度记为

更新过程：

通常在 和 之间

• 引入了变量c，来积累历史的梯度的平方。
• 更新的时候由原来的 变为了

注：如上 表示g这个向量每个元素的平方，依旧是向量；同理下方开根号操作也是，都是逐元素操作。

例子：

假设某次迭代中， 那么

显然 的有效学习率  比 的有效学习率 大，这说明虽然在前面的历史过程中，第九个参数的梯度的绝对值比较小，但在本次就多更新一些；相反的第三次参数的梯度的绝对值比较大，在更新时就少更新一些。这样就达成了实际学习率的一些平衡，避免了梯度小更新就小的问题。

引入 c 对不同参数的更新过程进行归一化(平衡)

本方法有什么缺点吗？

由于 这会使c递增，导致有效学习率 一直变小。这可能会导致早停(early stopping)。过早停止了优化。

那我们怎么解决这个问题呢？

1.2 RMSprop算法

RMSProp算法在Adagrad的基础上提出改进，以解决学习率单调下降的问题；

引入一个遗忘因子

通常为 0.9，0.99，0.999

RMSProp依然根据梯度的大小来调整学习率，但不同于Adagrad，学习率不会一直单调下降。

Adagrad vs RMSProp

• adagrad算法

   

平等贡献于c(t)

• RMSProp算法

对于k<<t ， 对c(t)的贡献指数级衰减，即比较看重近期的g的平方，这样c可能增加也可能减少。

缺点：如何引入动量 ？

1.3 Adam算法

由 kingma and Ba (2015)提出。 默认算法。

• 简单形式

• 完整形式(“warm up”)

其中 m 表示积攒历史梯度，c 表示积攒历史平方梯度，t 表示迭代次数。

建议值：  

1.4 优化器小结

关于优化器的更多细节：CS231n Convolutional Neural Networks for Visual Recognition

二、处理过拟合

回忆：多项式回归问题

2.1 过拟合

什么是过拟合？

• 对训练集拟合得很好，但在验证集表现较差。

神经网络通常含有大量参数 (数百万甚至数十亿)，容易过拟合；

• 参数正则化是一种处理策略

其它技巧

• 早停(Early stopping)
• 随机失活(Dropout)
• 数据增强(data augmentation)

2.1.1 早停

当发现训练损失逐渐下降，但验证集损失逐渐上升时，停止优化。

注意：跟Adagrad优化引起的“早停”是两回事。

2.1.2  随机失活

在训练迭代过程中，以 p (通常为0.5)的概率随即舍弃掉每个隐含层神经元(输出置零)。

这些被置零的输出将用于在反向传播中计算梯度。

优点：

• 一个隐含层神经元不能依赖于其它存在的神经元，因此可以防止神经元出现复杂的相互协同。
• 相当于在合理的时间内训练了大量不同的网络，并将其结果平均。

测试过程:

使用“平均网络”，包含所有隐含层神经元

需要调整神经元输出的权重，用来弥补训练中只有一部分被激活的现象。

• p=0.5 时，将权重减半
• p=0.1 时，在权重上乘 1-p ，即0.9。

这样得到的结果与在大量网络上做平均得到的结果类似。

MNIST上的结果：

• 标准多层感知机
• 不用dropout的最好结果是160个错误样本
• Dropout可以显著降低 错误率

本例中还用了其他技巧，比如 每个神经元的输入权重有个L2 正则化约束。

补充：

• 在一些实现里，测试中，1-p 乘在激活函数的输出即 f(Wx+b) 上，而不是乘在权重W上。

• 在一些实现里，训练中激活函数的输出改成

       而测试中就不用了

• 实践中，p在底层设得很小，如0.2，但在高层设得更大，如0.5。
• 在某些平台，随机失活率被定义成每个神经元被保留的概率。

2.1.3 数据增强

表示原本的训练集

1. 在输入数据中加入一些变换： 保持标签 不变
2. 使用增强后的训练集 来训练模型

不同数据类型(文本，图像，音频)有不同的变换。

常用的图像变换：

• 随机

• 翻转 flips
• 平移 translations
• 缩放 crops and scales
• 拉伸 stretching
• 剪切 shearing
• 擦除 Cutout or erasing
• 混合 mixup
• 色彩变换 color jittering
• ……

• 上述变换的组合

随机翻转

随即缩放和裁剪

测试中可以

• 将测试图像缩放到模型要求的输入大小
• 剪裁一个区域 (通常是中心区域) 并输入到模型
• 剪裁多个并输入到模型, 对输出作平均

随机擦除

2.2 处理过拟合方法小结

三、批归一化

3.1 Internal covariate shift (内部协变量偏移)

当使用SGD时, 不同迭代次数时输入到神经网络的数据不同，可能导致某些层输出的分布在不同迭代次数时不同。

某个或一群神经元针对 一批数据的输出分布：

由于神经网络比较深，一些层的分布可能就不那么相似了。

我们把：训练中，深度神经网络中间节点分布的变化叫做：内部协变量偏移(ICS)。

3.1.1 通过归一化来减少ICS

对每个标量形式的特征单独进行归一化，使其均值为0，方差为1

对于d维激活 , 做如下归一化：

保持该层的表达能力

若 且 ，恢复到原来的激活值。

3.2 批归一化(Batch Normalization, BN)

构建一个新的层

向前计算(下式都是逐元素操作)

• 
• 
• 
• 

3.2.1 推理过程

如果想追踪训练准确率，可以使用滑动平均。

3.2.2 在网络中的位置

通常应用在非线性层之前(根据实践经验)

前一层通常是线性转换层(全连接层或卷积层)

偏置项可以忽略，因为BN的便宜项有相同的效果，因此

3.2.3 卷积神经网络中的批归一化

• BN通常应用在卷积层之后
• 要求同一特征图里的不同元素以同样的方式进行归一化
• 对一个minibatch：

• 假设批大小为M，特征图大小为P*Q，那么均值和方差要基于MPQ个元素计算得到
• 对每个特征图(而不是每个激活)学习一堆参数 和

• 推理过程进行类似修改

3.2.4 优点

• BN允许使用更大的学习率
• BN对整个模型进行了正则化

• 对于某个训练样本，模型不会给出确定性的输出
• 可能不再需要Dropout

3.3 批归一化小结

其它归一化技巧：

四、超参数(Hyperparameters)选取

超参数: 控制算法行为，且不会被算法本身所更新。

• 通常决定了模型的能力(capacity)

对于一个深度学习模型，超参数包括：

• 层数, 每层的神经元数目
• 正则化系数
• 学习率 – 参数衰减率(Weight decay rate)
• 动量项(Momentum rate)
• ……

对于给定的数据集和任务， 需要选择合适的超参数。

4.1 如何选择深度学习模型的架构?

• 熟悉数据集

• 看/听/闻…

• 与之前见过的数据/任务比较

• 样本数目
• 图像大小, 视频长度, 输入复杂度…

• 最好从在类似数据集或任务上表现良好的模型开始

4.2 如何选择其它超参数?

一个实践指南：

第1步: 观察初始损失。

第2步: 在一组小样本上过拟合。

第3步: 找到使损失下降的学习率。

第4步: 粗粒度改变学习率，训练1-5轮。

第5步: 细粒度改变学习率，训练更长时间。

第6步: 观察损失曲线。

第1步:观察初始损失

确保损失的计算是正确的

将权重衰减设为零

第2步:在一组小样本上过拟合

在一组少量样本的训练集上训练，尝试达到100%训练准确率。

可以保证从数据集预处理到输出的整个流程是正确的。

可以找出一些调整学习率的提示。

如果训练损失没有下降。

不好的初始化, 学习率太小, 模型太小。

如果训练损失变成Inf或NaN。

不好的初始化, 学习率太大。

第3步: 找到使损失下降的学习率

在全部数据上训练模型，并找到使损失值能够快速下降的学习率。

当损失值下降较慢时，将学习率缩小10倍。

使用较小的参数衰减。

第4步: 粗粒度改变学习率, 训练1-5轮

在上一步的基础上，尝试一些比较接近的学习率和衰减率。

常用的参数衰减率: 1e-4, 1e-5, 0。

第5步: 细粒度改变学习率, 训练更长时间

使用上一步找到的最好的学习率，并训练更长时间 (10-20  轮)，期间不改变学习率。

第6步: 观察损失曲线训练损失通常用滑动平均绘制 ，否则会有很多点聚集在一起。

4.3 超参数选取小结

 

五、总结