Day4 #100DaysofMLCoding#

2018-08-09

今日计划

1. 继续学习CS231n
   
   
   
   2017版
2. 复习吴恩达的DeepLearning 复习基本概念

知识点

• 梯度检验

• 权重初始化

• 指数加权平均(对于时间序列数据)减少噪音

  
  
  

• 偏差修正（避免前期数值太小）

  
  
  

• momentum
  对dW,db进行指数加权平均（也可以加上偏差修正，但一般不用）防止dW大幅度浮动
  β一般取值>0.9（可以视为对1/(1-β)个数据进行加权平均）
  

  

• RMSprop
  

  
  
  对dW,db进行缩放

• Adam
  综合momentum与RMSprop

  
  
  
  
  
  

• 学习速率递减
  多种多样的方法，一般以一个epoch为单位进行递减

• 高维度 几乎不可能被困在局部最优，但平稳点是一个问题

• 超参数选取

  • random values,不要用grid间隔选取

  • 粗糙到细致

    
    
    
  • 指数级上取值
  • babysitting 与 多模型平行运行

• batch归一化
  对前一层经过激活前的数据进行归一normalize，不需要再设置参数b
  改变分布，减少covariate shift
  添加噪音，轻微正则化
  预测时，对样本进行缩放采用训练时的缩放参数（指数加权平均活动缩放参数）

• softmax层

  
  
  

  loss function

机器学习工程

• 调整模型时 确保正交化，不会牵一发动全身
• 确定评价指标
• train dev test (dev test 独立同分布)
• 部署后效果不好，改变评价指标/改变dev test
• 贝叶斯误差

• 根据可避免误差，确定是改善方差还是偏差
  方差训练集与测试集，偏差训练集与贝叶斯误差

  
  
  

• 误差分析

  
  
  

• 为了确定验证集与训练集的误差差如何改善，设置training-dev set与train set同分布但不训练
  从而确定是方差问题、偏差问题、还是数据不匹配问题

  
  
  
  
  
  
• 数据不匹配 对训练集进行处理（图像、声音）人工合成数据，使其尽量与应用场景相接近
• 迁移学习
• 多任务学习（视觉下，各个任务数据互助，比单个任务效果更好）
• 端到端

CV

• LeNet-5 AlexNet VGG-16

• 残差网络 ResNet

• 1x1 卷积

• inception

  
  
  

• 计算成本 用1x1卷积作为瓶颈层，可大大减少计算量

• 迁移学习

• 数据增强

• 物体检测

1. 特定 x,y,w,d

2. 滑动窗口

   
   
   
   
   

   第一个全连接
   第二种方法卷积
   本质一样 5x5x16x400
   但第二种方法可以应用于不同大小的图。
   计算一个方框内是某物体的可能性时，第二种方法计算量增加很少（但边框不精确）

   
   
   

3. YOLO
   改变标签，图像分割成多个小格子（推荐19x19），标签数据也随时改变。

   
   
   
   
   

   （个人设想延伸，一个大样本分割成19x19个小样本，训练小样本。预测时也把图片分割成小样本，依次预测 效果可能不如直接YOLO好）

• IoU交并比 >0.5

• non-max suppression 对于不同的识别类别，独立进行非最大抑制

  
  
  

• archor box 根据IoU确定在哪个anchor box中

  
  
  

• 整合之前的内容

  
  
  
• RPN
• 人脸识别
  siamese network