如何提升神經(jīng)網(wǎng)絡性能

本文簡要介紹了提升神經(jīng)網(wǎng)絡性能的方法，如檢查過擬合、調參、超參數(shù)調節(jié)、數(shù)據(jù)增強。

神經(jīng)網(wǎng)絡是一種在很多用例中能夠提供最優(yōu)準確率的機器學習算法。但是，很多時候我們構建的神經(jīng)網(wǎng)絡的準確率可能無法令人滿意，或者無法讓我們在數(shù)據(jù)科學競賽中拿到領先名次。所以，我們總是在尋求更好的方式來改善模型的性能。有很多技術可以幫助我們達到這個目標。本文將介紹這些技術，幫助大家構建更準確的神經(jīng)網(wǎng)絡。

檢查過擬合

保證神經(jīng)網(wǎng)絡在測試集上運行良好的第一步就是驗證神經(jīng)網(wǎng)絡沒有過擬合。什么是過擬合呢？當你的模型開始記錄訓練數(shù)據(jù)而不是從中學習的時候，就發(fā)生了過擬合。然后，當你的模型遇到之前沒有見過的數(shù)據(jù)時，它就無法很好的運行。為了更好地理解，我們來看一個類比。我們有一個記性特好的同學，假設一次數(shù)學考試馬上就要來臨了。你和這位擅長記憶的同學開始學習課本。這名同學記住課本中的每一個公式、問題以及問題的答案，然而你要比他來得聰明一些，所以你決定以直覺為基礎、解決問題、學習這些公式是如何發(fā)揮作用的。考試來了，如果試卷中的問題是直接來源于課本的，那么可以想像那名記憶力超群的同學發(fā)揮得更好，但是，如果試題是涉及應用直觀知識的全新問題，那么你將會做得更好，而你的朋友會慘敗。

如何鑒別模型是否過擬合呢？你僅僅需要交叉檢查訓練準確率和測試準確率。如果訓練準確率遠遠高出了測試準確率，那么可以斷定你的模型是過擬合了。你也可以在圖中畫出預測點來驗證。下面是一些避免過擬合的技術：

數(shù)據(jù)正則化（L1 或 L2）；

Dropout：隨機丟棄一些神經(jīng)元之間的連接，強制神經(jīng)網(wǎng)絡尋找新的路徑并泛化；

早停（Early Stopping）：促使神經(jīng)網(wǎng)絡訓練早點停止，以減少在測試集中的誤差。

超參數(shù)調節(jié)

超參數(shù)是你必須給網(wǎng)絡初始化的值，這些數(shù)值不能在訓練的過程中學到。在卷積神經(jīng)網(wǎng)絡中，這些超參數(shù)包括：核大小、神經(jīng)網(wǎng)絡層數(shù)、激活函數(shù)、損失函數(shù)、所用的優(yōu)化器（梯度下降、RMSprop）、批大小、訓練的 epoch 數(shù)量等等。

每個神經(jīng)網(wǎng)絡都會有最佳超參數(shù)組合，這組參數(shù)能夠得到最大的準確率。你也許會問，「有這么多超參數(shù)，我如何選擇每個參數(shù)呢？」不幸的是，對每個神經(jīng)網(wǎng)絡而言，并沒有確定最佳超參數(shù)組合的直接方法，所以通常都是通過反復試驗得到的。但是也有一些關于上述超參數(shù)的最佳實踐：

學習率：選擇最優(yōu)學習率是很重要的，因為它決定了神經(jīng)網(wǎng)絡是否可以收斂到全局最小值。選擇較高的學習率幾乎從來不能到達全局最小值，因為你很可能跳過它。所以，你總是在全局最小值附近，但是從未收斂到全局最小值。選擇較小的學習率有助于神經(jīng)網(wǎng)絡收斂到全局最小值，但是會花費很多時間。這樣你必須用更多的時間來訓練神經(jīng)網(wǎng)絡。較小的學習率也更可能使神經(jīng)網(wǎng)絡困在局部極小值里面，也就是說，神經(jīng)網(wǎng)絡會收斂到一個局部極小值，而且因為學習率比較小，它無法跳出局部極小值。所以，在設置學習率的時候你必須非常謹慎。

神經(jīng)網(wǎng)絡架構：并不存在能夠在所有的測試集中帶來高準確率的標準網(wǎng)絡架構。你必須實驗，嘗試不同的架構，從實驗結果進行推斷，然后再嘗試。我建議使用已經(jīng)得到驗證的架構，而不是構建自己的網(wǎng)絡架構。例如：對于圖像識別任務，有 VGG net、Resnet、谷歌的 Inception 網(wǎng)絡等。這些都是開源的，而且已經(jīng)被證明具有較高的準確率。所以你可以把這些架構復制過來，然后根據(jù)自己的目的做一些調整。

優(yōu)化器和損失函數(shù)：這方面有很多可供選擇。事實上，如果有必要，你可以自定義損失函數(shù)。常用的優(yōu)化器有 RMSprop、隨機梯度下降和 Adam。這些優(yōu)化器貌似在很多用例中都可以起作用。如果你的任務是分類任務，那么常用的損失函數(shù)是類別交叉熵。如果你在執(zhí)行回歸任務，那么均方差是最常用的損失函數(shù)。你可以自由地使用這些優(yōu)化器超參數(shù)進行試驗，也可以使用不同的優(yōu)化器和損失函數(shù)。

批大小和 epoch 次數(shù)：同樣，沒有適用于所有用例的批大小和 epoch 次數(shù)的標準值。你必須進行試驗，嘗試不同的選擇。在通常的實踐中，批大小被設置為 8、16、32……epoch 次數(shù)則取決于開發(fā)者的偏好以及他/她所擁有的計算資源。

激活函數(shù)：激活函數(shù)映射非線性函數(shù)輸入和輸出。激活函數(shù)是特別重要的，選擇合適的激活函數(shù)有助于模型學習得更好?，F(xiàn)在，整流線性單元（ReLU）是最廣泛使用的激活函數(shù)，因為它解決了梯度消失的問題。更早時候，Sigmoid 和 Tanh 函數(shù)都是最常用的激活函數(shù)。但是它們都會遇到梯度消失的問題，即在反向傳播中，梯度在到達初始層的過程中，值在變小，趨向于 0。這不利于神經(jīng)網(wǎng)絡向具有更深層的結構擴展。ReLU 克服了這個問題，因此也就可以允許神經(jīng)網(wǎng)絡擴展到更深的層。

ReLU 激活函數(shù)

算法集成

如果單個神經(jīng)網(wǎng)絡不像你期待的那樣準確，那么你可以創(chuàng)建一個神經(jīng)網(wǎng)絡集成，結合多個網(wǎng)絡的預測能力。你可以選擇不同的神經(jīng)網(wǎng)絡架構，在不同部分的數(shù)據(jù)集上訓練它們，然后使用它們的集合預測能力在測試集上達到較高的準確率。假設你在構建一個貓狗分類器，0 代表貓，1 代表狗。當組合不同的貓狗分類器時，基于單個分類器之間的皮爾遜相關系數(shù)，集成算法的準確率有了提升。讓我們看一個例子，拿 3 個模型來衡量它們各自的準確率：

Ground Truth: 1111111111 Classifier 1: 1111111100 = 80% accuracy Classifier 2: 1111111100 = 80% accuracy Classifier 3: 1011111100 = 70% accuracy

3 個模型的皮爾遜相關系數(shù)很高。所以，集成它們并不會提升準確率。如果我們使用多數(shù)投票的方式來組合這三個模型，會得到下面的結果：

Ensemble Result: 1111111100 = 80% accuracy

現(xiàn)在，讓我們來看一組輸出具備較低皮爾遜相關系數(shù)的模型：

Ground Truth: 1111111111 Classifier 1: 1111111100 = 80% accuracy Classifier 2: 0111011101 = 70% accuracy Classifier 3: 1000101111 = 60% accuracy

當我們組合這三個弱學習器的時候，會得到以下結果：

Ensemble Result: 1111111101 = 90% accuracy

正如你在上面所看到的，具有低皮爾遜相關系數(shù)的弱學習器的組合優(yōu)于具有較高皮爾遜相關系數(shù)的學習器的組合。

缺乏數(shù)據(jù)

在使用了上述所有的技術以后，如果你的模型仍然沒有在測試集上表現(xiàn)得更好一些，這可能是因為缺乏數(shù)據(jù)。在很多用例中訓練數(shù)據(jù)的數(shù)量是有限的。如果你無法收集更多的數(shù)據(jù)，那么你可以采取數(shù)據(jù)增強方法。

數(shù)據(jù)增強技術

如果你正在使用的是圖像數(shù)據(jù)集，你可以通過剪切、翻轉、隨機裁剪等方法來增加新的圖像。這可以為你正在訓練的神經(jīng)網(wǎng)絡提供不同的樣本。

結論

這些技術被認為是最佳實踐經(jīng)驗，在提升模型學習特征的能力方面通常是有效的。希望對大家有所幫助。