深度学习-通用模型调试技巧

欢迎添加华为云小助手微信（微信号：HWCloud002 或 HWCloud003），输入关键字“加群”，加入华为云线上技术讨论群；输入关键字“最新活动”，获取华为云最新特惠促销。华为云诸多技术大咖、特惠活动等你来撩！

 

改善模型的步骤：

1、根据人类表现估计贝叶斯最优错误率。

贝叶斯最优错误率是理论上可能达到的最优错误率，也就是说没有办法设计出一个x到y的函数，让它能比这个最优错误率还低。比如一个猫狗识别训练集中有些图片确实很模糊，无论是人还是机器都无法判断某张图的类别，那么最优错误率就不可能是0。估计人类在某个数据集上的表现，是为了了解该数据的准确率上限是多少，以此判断模型的准确率还差多远。

2、训练时每隔一定步数记录一次训练集错误率和验证集错误率，一直训练，直到在训练集上的错误率不再下降，停止训练；

3、计算贝叶斯错误率与训练错误率之差，该差值称为模型偏差，计算训练错误率与验证错误率之差，该差值称为模型方差，将训练时记录的训练集错误率和验证集错误率绘制成曲线，分析下一步应该调小模型的偏差还是方差，假设偏差是10%、方差是3%，那么应该优先降低偏差，在偏差较小之后再去考虑降低方差。

4、减少偏差的方法有：（有可能是欠拟合了）

（1）更好的优化算法，如mometum、RMSprop、Adam；

（2）更好的超参数，如降低学习率、减弱正则化；

（3）改变激活函数；

（4）增加隐藏节点数；

（5）增加层数；

（6）使用新的网络架构。

5、减少方差的方法有：（有可能是过拟合了）

（1）使用更多的训练数据或数据增广；

（2）使用正则化，如L1、L2、dropout；

（3）超参搜索；

（4）使用新的网络架构。

减少偏差和方差的可调试项解释如下表所示：

6、如何训练集错误率可接受了，与验证集错误率相差也不大了，接下来可以分析在测试集上的错误率，最好是对每张预测出错的图进行分析，总结模型出错的原因，对错误类型进行分类归纳，再决定下一步调试模型的计划。

调参技巧持续更新中...

来源：华为云社区 作者：duqi