訓練神經(jīng)網(wǎng)絡的實踐技巧總結

在經(jīng)歷成千上萬個小時機器學習訓練時間后，計算機并不是唯一學到很多東西的角色，作為開發(fā)者和訓練者的我們也犯了很多錯誤，修復了許多錯誤，從而積累了很多經(jīng)驗。在本文中，作者基于自己的經(jīng)驗（主要基于 TensorFlow）提出了一些訓練神經(jīng)網(wǎng)絡的建議，還結合了案例，可以說是過來人的實踐技巧了。

通用技巧

有些技巧對你來說可能就是明擺著的事，但在某些時候可能卻并非如此，也可能存在不適用的情況，甚至對你的特定任務來說，可能不是一個好的技巧，所以使用時需要務必要謹慎！

▌使用 ADAM 優(yōu)化器

確實很有效。與更傳統(tǒng)的優(yōu)化器相比，如 Vanilla 梯度下降法，我們更喜歡用ADAM優(yōu)化器。用 TensorFlow 時要注意：如果保存和恢復模型權重，請記住在設置完AdamOptimizer 后設置 Saver，因為 ADAM 也有需要恢復的狀態(tài)（即每個權重的學習率）。

▌ReLU 是最好的非線性(激活函數(shù))

就好比 Sublime 是最好的文本編輯器一樣。ReLU 快速、簡單，而且，令人驚訝的是，它們工作時，不會發(fā)生梯度遞減的情況。雖然 sigmoid 是常見的激活函數(shù)之一，但它并不能很好地在 DNN 進行傳播梯度。

▌不要在輸出層使用激活函數(shù)

這應該是顯而易見的道理，但如果使用共享函數(shù)構建每個層，那就很容易犯這樣的錯誤：所以請確保在輸出層不要使用激活函數(shù)。

▌請在每一個層添加一個偏差

這是 ML 的入門知識了：偏差本質上就是將平面轉換到最佳擬合位置。在 y=mx+b 中，b 是偏差，允許曲線上下移動到“最佳擬合”位置。

▌使用方差縮放（variance-scaled）初始化

在 Tensorflow 中，這看起來像tf.reemaner.variance_scaling_initializer()。根據(jù)我們的經(jīng)驗，這比常規(guī)的高斯函數(shù)、截尾正態(tài)分布（truncated normal）和 Xavier 能更好地泛化/縮放。

粗略地說，方差縮放初始化器根據(jù)每層的輸入或輸出數(shù)量（TensorFlow中的默認值是輸入數(shù)量）調(diào)整初始隨機權重的方差，從而有助于信號更深入地傳播到網(wǎng)絡中，而無須額外的裁剪或批量歸一化（batch normalization）。Xavier 與此相似，只是各層的方差幾乎相同；但是不同層形狀變化很大的網(wǎng)絡（在卷積網(wǎng)絡中很常見）可能不能很好地處理每層中的相同方差。

▌歸一化輸入數(shù)據(jù)

對于訓練，減去數(shù)據(jù)集的均值，然后除以它的標準差。在每個方向的權重越少，你的網(wǎng)絡就越容易學習。保持輸入數(shù)據(jù)以均值為中心且方差恒定有助于實現(xiàn)這一點。你還必須對每個測試輸入執(zhí)行相同的規(guī)范化，因此請確保你的訓練集與真實數(shù)據(jù)相似。

以合理保留其動態(tài)范圍的方式縮放輸入數(shù)據(jù)。這與歸一化有關，但應該在歸一化之前就進行。例如，真實世界范圍為 [0,140000000] 的數(shù)據(jù) x 通?？梢杂?tanh(x) 或 tanh(x/C) 來控制，其中 C 是一些常數(shù)，它可以拉伸曲線，以適應 tanh 函數(shù)緩坡部分的動態(tài)范圍內(nèi)的更多輸入范圍。特別是在輸入數(shù)據(jù)在一端或兩端可能不受限制的情況下，神經(jīng)網(wǎng)絡將在（0,1）之間學習得更好。

▌一般不用學習率衰減

學習率衰減在 SGD 中更為常見，但 ADAM 很自然地處理了這個問題。如果你真的想把每一分表現(xiàn)都擠出去：在訓練結束時短時間內(nèi)降低學習率；你可能會看到突然的、非常小的誤差下降，然后它會再次變平。

如果你的卷積層有 64 或 128 個過濾器，那就足夠了。特別是一個對于深度網(wǎng)絡而言。比如，128 個真的就已經(jīng)很多了。如果你已經(jīng)有了大量的過濾器，那么再添加更多的過濾器未必會進一步提高性能。

▌池化用于平移不變性

池化本質上就是讓網(wǎng)絡學習圖像“那部分”的“總體思路”。例如，最大池化可以幫助卷積網(wǎng)絡對圖像中的特征的平移、旋轉和縮放變得更加健壯。

調(diào)試神經(jīng)網(wǎng)絡

如果你的網(wǎng)絡沒能很好地進行學習（指在訓練過程中損失/準確率沒有收斂，或者沒有得到預期的結果），那么可以試試以下的技巧：

▌過擬合

如果你的網(wǎng)絡沒有學習，那么首先要做的第一件事就是對訓練點進行過擬合。準確率基本上應為 100% 或 99.99%，或誤差接近 0。如果你的神經(jīng)網(wǎng)絡不能對單個數(shù)據(jù)點進行過擬合，那么體系架構就可能有嚴重的問題，但這可能是微妙的。如果你可以對一個數(shù)據(jù)點進行過擬合，但是對較大的集合進行訓練仍然無法收斂，請嘗試以下建議：

▌降低學習率

你的網(wǎng)絡學習就會變得更慢一些，但是它可能會找到以前無法進入的最小化的方式，因為它的步長太大了。

▌提高學習率

這樣做將會加快訓練，有助于收緊反饋，這意味著無論你的網(wǎng)絡是否正常工作，你都會很快地知道你的網(wǎng)絡是否有效。雖然網(wǎng)絡應該更快地收斂，但其結果可能不會很好，而且“收斂”實際上可能會跳來跳去。（對于 ADAM 優(yōu)化器，我們發(fā)現(xiàn)在很多經(jīng)歷中，學習率大約為 0.001 時，表現(xiàn)很不錯。）

▌減少批量處理規(guī)模

將批處理大小減小到 1，可以為你提供與權重更新相關的更細粒度的反饋，你應該使用TensorBoard（或其他一些調(diào)試/可視化工具）展示出來。

▌刪除批歸一化層

隨著批處理大小減少到 1，這樣做會暴露出梯度消失或梯度爆炸的問題。我們曾有過一個網(wǎng)絡，在好幾周都沒有收斂，當我們刪除了批歸一化層之后，我們才意識到第二次迭代時輸出都是 NaN。就像是創(chuàng)可貼上的吸水墊，它也有它可以發(fā)揮效果的地方，但前提是你知道網(wǎng)絡沒有 Bug。

▌增加批量處理的規(guī)模

一個更大的批處理規(guī)模，如果可以的話，整個訓練集減少梯度更新中的方差，使每個迭代更準確。換句話說，權重更新將朝著正確的方向發(fā)展。但是！它的可用性和物理內(nèi)存限制都有一個有效的上限。通常，我們發(fā)現(xiàn)這個建議不如上述兩個建議有用，可以將批處理規(guī)模減少到1并刪除批歸一化層。

▌檢查你的重構

大幅度的矩陣重構（如改變圖像的X、Y 維度）會破壞空間局部性，使網(wǎng)絡更難學習，因為它也必須學會重塑。（自然特征變得支離破碎。事實上，自然特征在空間上呈局部性，也是為什么卷積神經(jīng)網(wǎng)絡能如此有效的原因！）如果使用多個圖像/通道進行重塑，請?zhí)貏e小心；使用 numpi.stack()進行適當?shù)膶R操作。

▌仔細檢查你的損失函數(shù)

如果使用一個復雜的函數(shù)，請嘗試將其簡化為 L1 或 L2。我們發(fā)現(xiàn)L1對異常值不那么敏感，在發(fā)出噪聲的批或訓練點時，不會做出太大的調(diào)整。

如果可以的話，仔細檢查你的可視化。你的可視化庫（matplotlib、OpenCV等）是調(diào)整值的比例呢，還是它們進行裁剪？可考慮使用一種視覺上均勻的配色方案。

實戰(zhàn)分析

為了使上面所描述的過程更容易讓讀者理解，我們這兒有一些用于描述我們構建的卷積神經(jīng)網(wǎng)絡的真實回歸實驗的損失圖（通過TesnorBoard）。

起初，這個網(wǎng)絡根本沒有學習:

我們試圖裁剪這些值，以防止它們超出界限:

嗯?？纯床黄交闹涤卸喁偪癜?！學習率是不是太高了？我們試著在一個輸入數(shù)據(jù)上降低學習率并進行訓練：

你可以看到學習率的前幾個變化發(fā)生的位置（大約在 300 步和 3000 步）。顯然，我們衰減得太快了。所以，給它更多的衰減時間，它表現(xiàn)得會更好：

你可以看到我們在 2000 步和 5000 步的時候衰減了。這樣更好一些了，但還不夠好，因為它沒有趨于 0。

然后我們禁用了 LR 衰減，并嘗試將值移動到更窄的范圍內(nèi)，而不是通過 tanh 輸入。雖然這顯然使誤差值小于 1，但我們?nèi)匀徊荒軐τ柧毤M行過擬合：

這里我們發(fā)現(xiàn)，通過刪除批歸一化層，網(wǎng)絡在一到兩次迭代之后迅速輸出 NaN。我們禁用了批歸一化，并將初始化更改為方差縮放。這些改變了一切！我們能夠對只有一兩個輸入的測試集進行過擬合了。當?shù)撞康膱D標裁剪Y軸時，初始誤差值遠高于 5，表明誤差減少了近 4 個數(shù)量級：

上面的圖表是非常平滑的，但是你可以看到它非?？斓財M合了測試輸入，隨著時間的推移，整個訓練集的損失降低到了 0.01 以下。這沒有降低學習速度。然后我們將學習速率降低一個數(shù)量級后繼續(xù)訓練，得到更好的結果:

這些結果好得多了！但是，如果我們以幾何方式降低學習率，而不是將訓練分成兩部分，會發(fā)生什么樣的結果呢？

通過在每一步將學習率乘以 0.9995，結果就不那么好了：

大概是因為學習率衰減太快了吧。乘數(shù)為 0.999995 會表現(xiàn)的更好，但結果幾乎相當于完全沒有衰減。我們從這個特定的實驗序列中得出結論，批歸一化隱藏了由槽糕的初始化引起的爆炸梯度，并且 ADAM 優(yōu)化器對學習率的衰減并沒有什么特別的幫助，與批歸一化一樣，裁剪值只是掩蓋了真正的問題。我們還通過 tanh 來控制高方差輸入值。

我們希望，本文提到的這些基本技巧能夠在你構建深度神經(jīng)網(wǎng)絡時有所幫助。通常，正式因為簡單的事情才改變了這一切。