由dead relu引发的思考——正则化算法漫谈
文章目录
- 一、简介
- 二、模型缺陷的研究
- 三、正则化方法
- 四、总结
一、简介
模型的调整是一项很细致的任务，仅仅通过输出结果来调整，并不能够了解到模型的内部缺陷。我将通过这篇文章来介绍一下我的一次调试过程，解决dead relu节点的问题，最终修复了模型的缺陷。
一些名词解释：
- Dead Relu：在训练过程中，由于一次梯度更新的幅度过大，导致某些Relu节点的权重调整的太大，使得后续的训练对该节点不再起作用，这个节点相当于永久dead了。
- 激活函数：将神经元的输入映射到输出端的非线性函数，常见的有Relu、Leaky-Relu、Sigmoid、Tanh等等。
- 正则化算法：将神经元的输出规范到一定的分布，使训练加快，增加训练的稳定性。常见的有：Batch Normalization、Group Normalization、L2 Normalization。
二、模型缺陷的研究
起初，在我的模型调参的过程中，发现了一些难以理解的有趣现象：对于同样的一层feature，我用maxpool和avgpool来提取特征，训练出的模型效果居然会差了10个点以上！要知道，这层feature已经是在backbone网络的最后一层了，按理来说即使有差异，也不应该大到这种程度，这种反常的现象引起了我的注意。
为了寻找原因，我把这一层feature的值输出，发现采用avgpool的模型，feature中的零值大概只占10%，而采用maxpool的模型，feature中的零值占到了40%以上，这显然不合理。为了排除个别样本造成的feature差异，我用两个模型都跑了一遍测试集，统计feature中的零值的平均数量，avgpool大约占12%，maxpool大约占43%，看来不是由于样本造成的差异。
我仔细地查看训练的过程，发现maxpool的模型在训练初期的loss震荡的比较厉害，中期偶尔会出现loss骤然增高的情况，虽然训练到后期loss会收敛，但是这个不稳定的loss曲线显然是有一些设计不合理的地方在里面。
如图所示，在训练中偶然会出现这样的震荡点，甚至有时问题更严重，在某些batch更新完之后，loss突然就升到了NAN，导致训练失败。针对这个现象，我首先想到的是数据问题。训练的数据集非常大，不可避免会有一些脏数据，这些脏数据可能会在某些batch中主导了梯度，导致loss过大。
- 猜测一：脏数据导致梯度过大
为了确认这一点，我首先是在代码中加了一段监测loss变化的代码，当某个batch的loss显著高于之前的loss，超出了很大的比例，我就把这个batch的数据和标签打印出来。这样一来，我就可以定位到具体是哪些样本造成了loss过大。经过一段时间的Debug，发现造成loss过大的那些样本，绝大多数都很正常，极个别的样本属于比较难的样本或者说是脏数据。我把那些脏数据清理了一遍之后再训练，发现还是会出现loss震荡的问题，这说明问题不在数据上。
既然数据没有问题，那么问题有可能出在训练参数的设置上。loss震荡的现象绝大多数发生在训练的前500个batch，这个阶段模型还很不稳定，由于样本间的差异性较大，在较大的训练学习率下有可能造成梯度震荡。
- 猜测二：训练超参数设置不当
为了缓解训练初期的模型学习难度，我首先是调低了学习率的数值，发现在模型的前500个batch确实没有发生震荡的情况，但是到了1800个batch左右的时候又出现了，看来单纯地调低学习率并不能解决，我又加上了warmup的策略，也就是在训练的前1000个batch里，学习率逐渐上升，我分别测试了线性增长和指数增长两种方式，公式如下：
learning_rate = base_learning_rate * batch * (1/1000) # 线性增长
learning_rate = base_learning_rate * (batch * (1/1000)) ** 2 # 指数增长
可是这两种方式都不能避免loss的震荡，看来调整学习率只是延缓了震荡现象到来的时间，并不能解决掉这个问题。我继续分析，把loss震荡前和loss震荡后的feature输出，看看差异。结果是，震荡之后，原先feature里有响应的部分变成了零值，而原先是零值的依然是零值，也就是说，震荡之后零值的数量增加了，几乎每次震荡都会多出来一些新的零值节点。这么看来，每次震荡，都相当于把网络砍掉了一部分，那么，保留下来的部分，应当要能表达整个数据集的信息，但是事实并不是这样，零值过多的那些模型明显效果要差很多。
我又花了一段时间搜索这个问题，无意中在Quora上发现一些关于Dead Relu的讨论，这不正是我所遇到的问题吗？看看他们有什么解决方法：减小学习率、增加warmup策略、规范ground truth的取值范围、将Relu改为PRelu或者Leaky-Relu等等。前几种方法我都试过了，就差这个改变激活函数还没试过，于是我猜测可能是激活函数的不当导致了这个问题。
- 猜测三：激活函数选择不当
于是我把激活函数换成了PRelu，训练中发现，震荡的现象依然存在，且训练后的模型效果依然不佳。虽然feature中不存在零值了，但是存在很多几乎接近于零值的响应节点，所占比例与之前用Relu时，产生的零值点几乎一致。看来这也不起作用，只是把零值变成了一个负数，这个负数还是1e-7这种数量级的，跟零值没什么区别，这一猜测又宣告失败。
我又回到了刚开始的那个问题开始思考，为什么maxpool和avgpool的效果会有如此大的差别？我把经过maxpool之后和经过avgpool之后的响应值输出，发现了一些之前忽略的情况：avgpool输出的值通常在0到1之间，而maxpool输出的值有时可以达到6甚至到两位数！看到这一现象，我似乎有些明白了loss震荡的原因，应该是在经过一段时间的训练后，maxpool输出的值过大，导致接下来的卷积响应值也过大，这样累积到后面，最终输出的值就有可能变成NAN了。
- 猜测四：maxpool输出的值范围不当
既然认为maxpool输出的值范围不当，就需要一个函数来规范它。我首先想到用batch normalization，实验了一下发现不行，因为pytorch中的bn层附带了scale层，训练之后仍然会存在很大的激活值。我的目标是把它规范到0到1的范围内，所以我又选择了softmax，这样确保它能在0到1的范围内了。训练之后发现，震荡的现象消失了，看来猜测四是正确的。但是，尽管没有震荡，模型的效果也没有多大提升，这应该是因为softmax函数降低了响应值之间的差异性，还需要换个norm函数，既需要规范到0到1之间，又不能破坏响应值之间的差异性，我想到了L2Norm。终于，在maxpool后加上L2Norm后再训练，feature中响应值为零的节点数大幅下降，模型的效果也提升了很多，甚至超过了之前用avgpool时的效果。
- 结论：猜测四正确，解决方法是加上合适的norm层
三、正则化方法
经过了这一段经历和分析，我对norm层的重要性有了更加清晰的认识。在一个深度网络的设计过程中，norm层的存在是不可或缺的，缺少norm层会有很大的可能造成梯度震荡（梯度消失或梯度爆炸），而如何选择norm层，需要考虑到norm层本身的特点和前一层输出的响应值的分布。在我的模型里，选择L2Norm就比较合适，但是如果遇到其他的不同情况，可能就要换一换思路了。接下来我将介绍一些Norm算法的原理和特点。
- Batch Normalization
batch normalization可以说是近几年来深度学习领域最重要的研究成果之一，它有效地加快了模型的收敛速度，在一定程度缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定。batch normalization的算法过程如下：
1.求当前batch的数据的均值u和方差sigma
2.将当前的所有数据减去均值u
3.将当前的所有数据除以方差的平方根sqrt(sigma)
4.将经过前三步之后得到的数据乘以gamma，再加上betta，这里的gamma和betta是可学习的参数
前三步很好理解，将数据减去均值，再除以方差，可以将数据归一到正态分布。那第四步该如何理解呢，又有什么作用呢？从公式上看，第四步相当于把已处于正态分布的数据乘以了一个尺度因子gamma，再加上了一个平移因子betta，这不是又逆向回原来的分布了吗？当然不是，第四步的gamma和betta是可学习的参数，网络会通过权重更新自己去调节这两个参数，使得它拟合现有的模型参数。如果取消了第四步，那相当于经过了bn层之后的数据都变成了正态分布，这样不利于网络去表达数据的差异性，会降低网络的性能，加上了第四步之后，网络会根据模型的特点自动地去调整数据的分布，更有利于模型的表达能力。
- Group Normalization
Batch Normalization的效果虽好，但是它也有一些缺陷，当batch_size较小的时候，bn算法的效果就会下降，这是因为在较小的batch_size中，bn层难以学习到正确的样本分布，导致gamma和betta参数学习的不好。为了解决这一问题，Facebook AI Research提出了Group Normalization。
从上图可以看出，随着batch_size的减小，batch norm的error率逐渐上升，而group norm的error率几乎不变。在一些目标检测方面的模型中，例如faster-rcnn或mask-rcnn，当你只拥有一个GPU时，要求的batch_size通常为1或2张图片，这种情况下batch norm的效果就会大打折扣。那么group norm是如何改进这一点的呢？下面来看下group norm的算法流程：
1.将当前层的数据在通道的维度上划分为多个group
2.求出每个group中的数据的均值和方差
3.将每个group中的数据减去它们相应的均值再除以方差的平方根
4.将经过前三步之后得到的数据乘以gamma，再加上betta
可以看出，group normalization和batch normalization的算法过程极为相似，仅仅通过划分group这样的简单操作就改善了batch norm所面临的问题，在实际应用中取得了非常好的效果。
- L2 Normalization
L2 norm其实是一个比较朴素的应用比较广泛的正则化算法，从过去的传统算法到现在的深度学习，从数据预处理到模型优化，都或多或少的会用到这个思想。其算法的过程也比较简单：
1.求出当前层数据的平方
2.求出当前层数据的平方和
3.将第一步得到的数据除以第二步得到的数据
这样一个简单的过程，会有什么作用呢？首先，经过L2 norm的数据都处于0到1之间。其次，经过L2 norm的数据之间的差异性会被放大。这两个特点能够在某些情况下发挥重要的作用，而在实际应用中，往往就是这样的小trick的累积最终形成了质变。
我所了解的L2 norm在深度学习中的应用，比较著名的有SSD目标检测器。作者在SSD中的conv4_3层后面加上了L2 norm，他的理由是该层的数据尺度与其他层不同，所以需要加上一个norm操作，具体的分析可看作者在github中的回复。
这里我做一些自己的思考和猜想，为什么仅仅是conv4_3层中的数据分布与其他层不同呢？我想原因应该与我遇到的问题相似，在网络的前面层中存在一些操作，使得卷积对样本的差异性敏感度增加，扩大了输出值的分布范围，经过了多层卷积之后，这样的敏感性被逐渐累积放大，直到conv4_3引起了质变。当然，这个想法的合理性还有待验证。
四、总结
在模型的迭代和优化中，很多时候就是一些微不住道的细节影响了整体的效果，着眼于大方面的结构和框架的同时，也要关注小方面的trick，这些trick的累积也能达到质变的效果。大的结构和框架虽然影响大，但是要想研究出一个合理的有效的结果是不容易的，而小trick虽然看起来影响小，但也确实会对整体的模型起着一定的作用。总之，训练模型时遇到不合理的现象时，可以按照下面的步骤去排查：
- 检查数据和标签，这是刚开始调试模型时最可能出错的方向。
- 检查训练参数和模型参数的设置，看看是否有不合理的地方。
- 检查网络框架中的具体操作的使用是否有错误。
- 检查不同的细节操作对网络的输出的影响。
希望这篇文章能给各位读者一定的启发，欢迎大家来讨论文章的细节和不足之处！