系列笔记 | 深度学习连载（5）：优化技巧（下）

点击上方“AI有道”，选择“星标”公众号

重磅干货，第一时间送达

深度学习中我们总结出 5 大技巧：

本节继续从第三个开始讲起。

3. Early stopping and Regularization

本节我们一起探讨 Early stopping and Regularization，这两个技巧不是深度学习特有的方法，是机器学习通用的方法。

Early stopping

在训练过程中，往往会得出训练的最后的结果还可能不如以前的，原因很有可能出现overfitting。 我们需要提前踩刹车，得出更好的效果。

Regularizaton

当我们努力降低Loss函数的数值的时候，我们会发现，我们找到的参数集weights，不仅仅要让Loss变小，而且weights 自身也需要接近于0，这样我们的结果会更加理想。

L1 正则化：

新的Loss函数将会被最小化：

L2正则化：

新的Loss函数将会被最小化：

到这里，很多同学会疑问，为什么weights小了，结果就很更好，我在这里举例说明：6岁的时候和14岁的时候，大脑的神经元密度明显降低，说明一些无效的神经元是阻碍大脑进步的。

4. Dropout

Dropout 在2012年imagenet 比赛中大放异彩，是当时CNN模型夺冠的功勋环节之一。

那什么是Dropout 我们先直观的理解：

练武功的时候，训练的时候脚上绑上重物

等到练成下山的时候：

我们从几个方面来解释Dropout

基础定义

当训练的时候，每一个神经元都有p%的可能“靠边站”

当测试的时候，所有的神经元齐心协力，共同努力：

Dropout是一种Ensemble学习

Ensemble 学习我们在机器学习专栏中一起讨论过，链接是集成学习。每次训练的时候的网络结构都是不一样的，是一个thinner network：

其实在训练的时候训练了很多thinner network：

测试的时候，取各个网络的平均值

所以在深度学习中，我们的整个训练测试方法如下：

本专栏图片、公式很多来自台湾大学李弘毅老师、斯坦福大学cs229、cs231n 、斯坦福大学cs224n课程。在这里，感谢这些经典课程，向他们致敬！

作者简介：武强 兰州大学博士，谷歌全球开发专家Google Develop Expert（GDE Machine Learing 方向） 

CSDN：https://me.csdn.net/dukuku5038 

知乎：https://www.zhihu.com/people/Dr.Wu/activities 

漫画人工智能公众号：DayuAI-Founder

系列笔记： 

系列笔记 | 深度学习连载（1）：神经网络

系列笔记 | 深度学习连载（2）：梯度下降

系列笔记 | 深度学习连载（3）：反向传播

系列笔记 | 深度学习连载（4）：优化技巧（上）

---

推荐阅读

（点击标题可跳转阅读）

干货 | 公众号历史文章精选

我的深度学习入门路线

我的机器学习入门路线图

重磅！

林轩田机器学习完整视频和博主笔记来啦！

扫描下方二维码，添加 AI有道小助手微信，可申请入群，并获得林轩田机器学习完整视频 + 博主红色石头的精炼笔记（一定要备注：入群 + 地点 + 学校/公司。例如：入群+上海+复旦。 

长按扫码，申请入群

（添加人数较多，请耐心等待）

 

最新 AI 干货，我在看