在經(jīng)歷成千上萬個(gè)小時(shí)機(jī)器學(xué)習(xí)訓(xùn)練時(shí)間后，計(jì)算機(jī)并不是唯一學(xué)到很多東西的角色，作為開發(fā)者和訓(xùn)練者的我們也犯了很多錯(cuò)誤，修復(fù)了許多錯(cuò)誤，從而積累了很多經(jīng)驗(yàn)。在本文中，作者基于自己的經(jīng)驗(yàn)（主要基于 TensorFlow）提出了一些訓(xùn)練神經(jīng)網(wǎng)絡(luò)的建議，還結(jié)合了案例，可以說是過來人的實(shí)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(shí)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(wù)來說，可能不是一個(gè)好的技巧，所以使用時(shí)需要?jiǎng)?wù)必要謹(jǐn)慎！

▌使用 ADAM 優(yōu)化器

確實(shí)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(shí)要注意：如果保存和恢復(fù)模型權(quán)重，請記住在設(shè)置完AdamOptimizer 后設(shè)置 Saver，因?yàn)?ADAM 也有需要恢復(fù)的狀態(tài)（即每個(gè)權(quán)重的學(xué)習(xí)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(shí)，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(jìn)行傳播梯度。

▌不要在輸出層使用激活函數(shù)

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

▌?wù)堅(jiān)诿恳粋€(gè)層添加一個(gè)偏差

這是 ML 的入門知識了：偏差本質(zhì)上就是將平面轉(zhuǎn)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(dòng)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(yàn)，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(rèn)值是輸入數(shù)量）調(diào)整初始隨機(jī)權(quán)重的方差，從而有助于信號更深入地傳播到網(wǎng)絡(luò)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(luò)（在卷積網(wǎng)絡(luò)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(xùn)練，減去數(shù)據(jù)集的均值，然后除以它的標(biāo)準(zhǔn)差。在每個(gè)方向的權(quán)重越少，你的網(wǎng)絡(luò)就越容易學(xué)習(xí)。保持輸入數(shù)據(jù)以均值為中心且方差恒定有助于實(shí)現(xiàn)這一點(diǎn)。你還必須對每個(gè)測試輸入執(zhí)行相同的規(guī)范化，因此請確保你的訓(xùn)練集與真實(shí)數(shù)據(jù)相似。

以合理保留其動(dòng)態(tài)范圍的方式縮放輸入數(shù)據(jù)。這與歸一化有關(guān)，但應(yīng)該在歸一化之前就進(jìn)行。例如，真實(shí)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(yīng) tanh 函數(shù)緩坡部分的動(dòng)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(luò)將在（0,1）之間學(xué)習(xí)得更好。

▌一般不用學(xué)習(xí)率衰減

學(xué)習(xí)率衰減在 SGD 中更為常見，但 ADAM 很自然地處理了這個(gè)問題。如果你真的想把每一分表現(xiàn)都擠出去：在訓(xùn)練結(jié)束時(shí)短時(shí)間內(nèi)降低學(xué)習(xí)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(gè)過濾器，那就足夠了。特別是一個(gè)對于深度網(wǎng)絡(luò)而言。比如，128 個(gè)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(jìn)一步提高性能。

▌池化用于平移不變性

池化本質(zhì)上就是讓網(wǎng)絡(luò)學(xué)習(xí)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(luò)對圖像中的特征的平移、旋轉(zhuǎn)和縮放變得更加健壯。

調(diào)試神經(jīng)網(wǎng)絡(luò)

如果你的網(wǎng)絡(luò)沒能很好地進(jìn)行學(xué)習(xí)（指在訓(xùn)練過程中損失/準(zhǔn)確率沒有收斂，或者沒有得到預(yù)期的結(jié)果），那么可以試試以下的技巧：

▌過擬合

如果你的網(wǎng)絡(luò)沒有學(xué)習(xí)，那么首先要做的第一件事就是對訓(xùn)練點(diǎn)進(jìn)行過擬合。準(zhǔn)確率基本上應(yīng)為 100% 或 99.99%，或誤差接近 0。如果你的神經(jīng)網(wǎng)絡(luò)不能對單個(gè)數(shù)據(jù)點(diǎn)進(jìn)行過擬合，那么體系架構(gòu)就可能有嚴(yán)重的問題，但這可能是微妙的。如果你可以對一個(gè)數(shù)據(jù)點(diǎn)進(jìn)行過擬合，但是對較大的集合進(jìn)行訓(xùn)練仍然無法收斂，請嘗試以下建議：

▌降低學(xué)習(xí)率

你的網(wǎng)絡(luò)學(xué)習(xí)就會變得更慢一些，但是它可能會找到以前無法進(jìn)入的最小化的方式，因?yàn)樗牟介L太大了。

▌提高學(xué)習(xí)率

這樣做將會加快訓(xùn)練，有助于收緊反饋，這意味著無論你的網(wǎng)絡(luò)是否正常工作，你都會很快地知道你的網(wǎng)絡(luò)是否有效。雖然網(wǎng)絡(luò)應(yīng)該更快地收斂，但其結(jié)果可能不會很好，而且“收斂”實(shí)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(xué)習(xí)率大約為 0.001 時(shí)，表現(xiàn)很不錯(cuò)。）

▌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(quán)重更新相關(guān)的更細(xì)粒度的反饋，你應(yīng)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(gè)網(wǎng)絡(luò)，在好幾周都沒有收斂，當(dāng)我們刪除了批歸一化層之后，我們才意識到第二次迭代時(shí)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(luò)沒有 Bug。

▌增加批量處理的規(guī)模

一個(gè)更大的批處理規(guī)模，如果可以的話，整個(gè)訓(xùn)練集減少梯度更新中的方差，使每個(gè)迭代更準(zhǔn)確。換句話說，權(quán)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(gè)有效的上限。通常，我們發(fā)現(xiàn)這個(gè)建議不如上述兩個(gè)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(gòu)

大幅度的矩陣重構(gòu)（如改變圖像的X、Y 維度）會破壞空間局部性，使網(wǎng)絡(luò)更難學(xué)習(xí)，因?yàn)樗脖仨殞W(xué)會重塑。（自然特征變得支離破碎。事實(shí)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(luò)能如此有效的原因?。┤绻褂枚鄠€(gè)圖像/通道進(jìn)行重塑，請?zhí)貏e小心；使用 numpi.stack()進(jìn)行適當(dāng)?shù)膶R操作。

▌仔細(xì)檢查你的損失函數(shù)

如果使用一個(gè)復(fù)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(xùn)練點(diǎn)時(shí)，不會做出太大的調(diào)整。

如果可以的話，仔細(xì)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(jìn)行裁剪？可考慮使用一種視覺上均勻的配色方案。

實(shí)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(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)的真實(shí)回歸實(shí)驗(yàn)的損失圖（通過TesnorBoard）。

起初，這個(gè)網(wǎng)絡(luò)根本沒有學(xué)習(xí):

我們試圖裁剪這些值，以防止它們超出界限:

嗯。看看不平滑的值有多瘋狂?。W(xué)習(xí)率是不是太高了？我們試著在一個(gè)輸入數(shù)據(jù)上降低學(xué)習(xí)率并進(jìn)行訓(xùn)練：

你可以看到學(xué)習(xí)率的前幾個(gè)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(shí)間，它表現(xiàn)得會更好：

你可以看到我們在 2000 步和 5000 步的時(shí)候衰減了。這樣更好一些了，但還不夠好，因?yàn)樗鼪]有趨于 0。

然后我們禁用了 LR 衰減，并嘗試將值移動(dòng)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?xùn)練集進(jìn)行過擬合：

這里我們發(fā)現(xiàn)，通過刪除批歸一化層，網(wǎng)絡(luò)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?qū)χ挥幸粌蓚€(gè)輸入的測試集進(jìn)行過擬合了。當(dāng)?shù)撞康膱D標(biāo)裁剪Y軸時(shí)，初始誤差值遠(yuǎn)高于 5，表明誤差減少了近 4 個(gè)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?cái)M合了測試輸入，隨著時(shí)間的推移，整個(gè)訓(xùn)練集的損失降低到了 0.01 以下。這沒有降低學(xué)習(xí)速度。然后我們將學(xué)習(xí)速率降低一個(gè)數(shù)量級后繼續(xù)訓(xùn)練，得到更好的結(jié)果:

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

通過在每一步將學(xué)習(xí)率乘以 0.9995，結(jié)果就不那么好了：

大概是因?yàn)閷W(xué)習(xí)率衰減太快了吧。乘數(shù)為 0.999995 會表現(xiàn)的更好，但結(jié)果幾乎相當(dāng)于完全沒有衰減。我們從這個(gè)特定的實(shí)驗(yàn)序列中得出結(jié)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(xué)習(xí)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(gòu)建深度神經(jīng)網(wǎng)絡(luò)時(shí)有所幫助。通常，正式因?yàn)楹唵蔚氖虑椴鸥淖兞诉@一切。