AL遮天传 DL-深度学习模型的训练技巧

本文介绍一些常用的优化方法处理过拟合的一些手段、批归一化的方法和超参数的选取

 

一、优化器

回忆:随机梯度下降(SGD)及动量(momentum)

训练中需要调整学习率 \eta   

随机梯度下降算法对每批数据 (x^{(i)},t^{(i)}) 进行优化,其中J 为损失函数:

g = \triangledown _{\theta }J(\theta ;x^{(i)},t^{(i)})

\theta = \theta - \eta g

基于动量的更新过程:

v = \gamma v-\eta g

\theta =\theta +v

我们前面学习地更新 \eta的方法,都是对所有的变量进行调整的,是全局且同等地调整各个参数的学习率,这并不一定是最优的学习方式(如不同层的权值的更新率不一定非要相同),

那么我们能不能让它自适应地对不同参数进行不同学习率地调整呢?

 

1.1 Adagrad算法

一种典型的自适应学习率算法

梯度记为 g = \triangledown _{\theta }J(\theta ;x^{(i)},t^{(i)})

更新过程:

c = c+g^{2}

\theta =\theta -\eta \frac{g}{\sqrt{c+\epsilon }}

\epsilon 通常在10^{-4}10^{-8}之间

  • 引入了变量c,来积累历史的梯度的平方
  • 更新的时候由原来的 \theta = \theta - \eta g 变为了 \theta =\theta -\eta \frac{g}{\sqrt{c+\epsilon }}

注:如上g^{2}表示g这个向量每个元素的平方,依旧是向量;同理下方开根号操作也是,都是逐元素操作。

例子:

假设某次迭代中,c_{3}=90,\: c_{9}=2, 那么

\Delta \theta _{3}=- \frac{\eta}{\sqrt{90+\epsilon }}g_{3}

\Delta \theta _{9}=- \frac{\eta}{\sqrt{2+\epsilon }}g_{9}

显然 \theta _{9} 的有效学习率 \frac{\eta}{\sqrt{2+\epsilon }}比 \theta _{3} 的有效学习率 \frac{\eta}{\sqrt{90+\epsilon }} 大,这说明虽然在前面的历史过程中,第九个参数的梯度的绝对值比较小,但在本次就多更新一些;相反的第三次参数的梯度的绝对值比较大,在更新时就少更新一些。这样就达成了实际学习率的一些平衡,避免了梯度小更新就小的问题。

引入 c 对不同参数的更新过程进行归一化(平衡)

本方法有什么缺点吗?

由于 c = c+g^{2} 这会使c递增,导致有效学习率\frac{\eta}{\sqrt{c+\epsilon }} 一直变小。这可能会导致早停(early stopping)。过早停止了优化。

那我们怎么解决这个问题呢?

1.2 RMSprop算法

RMSProp算法在Adagrad的基础上提出改进,以解决学习率单调下降的问题;

引入一个遗忘因子 \gamma

c= \gamma c+(1-\gamma )g^{2}

\theta =\theta -\eta \frac{g}{\sqrt{c+\epsilon }}

\gamma 通常为 0.9,0.99,0.999

RMSProp依然根据梯度的大小来调整学习率,但不同于Adagrad,学习率不会一直单调下降。 

 

Adagrad vs RMSProp

  • adagrad算法

     Adagrad: \, c(t)=c(t-1)+g(t)^{2}=c(0)+g(1)^{2}+g(2)^{2}+...+g(t)^{2}

g(1)^{2},g(2)^{2},...,g(t)^{2}平等贡献于c(t) 

  • RMSProp算法 

RMSProp:\, c(t)=\gamma c(t-1)+(1+\gamma )g(t)^{2}=\gamma^{t}c(0)+\gamma^{t-1}(1-\gamma )g(1)^{2}+\gamma^{t-2}(1-\gamma )g(2)^{2}+...+\gamma(1-\gamma )g(t-1)^{2}+(1-\gamma )g(t)^{2}

对于k< 对c(t)的贡献指数级衰减,即比较看重近期的g的平方,这样c可能增加也可能减少。

缺点:如何引入动量 ?

1.3 Adam算法

由 kingma and Ba (2015)提出。 默认算法

  • 简单形式

m=\beta _{1}m+(1-\beta _{1})g

c=\beta _{2}c+(1-\beta _{2})g^{2}

\theta =\theta -\eta \frac{m}{\sqrt{c+\epsilon }}

  • 完整形式(“warm up”)

m=\beta _{1}m+(1-\beta _{1})g,\:\: \: \: \: \: m_{t}=\frac{m}{1-\beta _{1}^{t}}

c=\beta _{2}c+(1-\beta _{2})g^{2},\:\: \: \: \: \: \: c_{t}=\frac{m}{1-\beta _{2}^{t}}

\theta =\theta -\eta \frac{m}{\sqrt{c+\epsilon }}

其中 m 表示积攒历史梯度,c 表示积攒历史平方梯度,t 表示迭代次数。

建议值:\epsilon =10^{-8}  \beta_{1}=0.9\: \:\: \: \beta_{2}=0.99

1.4 优化器小结

AL遮天传 DL-深度学习模型的训练技巧_第1张图片

关于优化器的更多细节:CS231n Convolutional Neural Networks for Visual Recognition

二、处理过拟合

回忆:多项式回归问题

AL遮天传 DL-深度学习模型的训练技巧_第2张图片

 

2.1 过拟合

什么是过拟合?

  • 对训练集拟合得很好,但在验证集表现较差。

神经网络通常含有大量参数 (数百万甚至数十亿),容易过拟合;

  • 参数正则化是一种处理策略

其它技巧

  • 早停(Early stopping)
  • 随机失活(Dropout) 
  • 数据增强(data augmentation)

 

2.1.1 早停

当发现训练损失逐渐下降,但验证集损失逐渐上升时,停止优化

AL遮天传 DL-深度学习模型的训练技巧_第3张图片

注意:跟Adagrad优化引起的“早停”是两回事。

2.1.2  随机失活

在训练迭代过程中,以 p (通常为0.5)的概率随即舍弃掉每个隐含层神经元(输出置零)

AL遮天传 DL-深度学习模型的训练技巧_第4张图片

这些被置零的输出将用于在反向传播中计算梯度。

优点

  • 一个隐含层神经元不能依赖于其它存在的神经元,因此可以防止神经元出现复杂的相互协同
  • 相当于在合理的时间内训练了大量不同的网络,并将其结果平均。

测试过程:

使用“平均网络”,包含所有隐含层神经元

AL遮天传 DL-深度学习模型的训练技巧_第5张图片

需要调整神经元输出的权重,用来弥补训练中只有一部分被激活的现象。

  • p=0.5 时,将权重减半
  • p=0.1 时,在权重上乘 1-p ,即0.9。

这样得到的结果与在大量网络上做平均得到的结果类似。

MNIST上的结果:

  • 标准多层感知机
  • 不用dropout的最好结果是160个错误样本
  • Dropout可以显著降低 错误率

AL遮天传 DL-深度学习模型的训练技巧_第6张图片

本例中还用了其他技巧,比如 每个神经元的输入权重有个L2 正则化约束。

补充:

  • 在一些实现里,测试中,1-p 乘在激活函数的输出即 f(Wx+b) 上,而不是乘在权重W上。

a_{test}=(1-p)f(Wx+b)

  • 在一些实现里,训练中激活函数的输出改成

a_{train}=\frac{1}{1-p}f(Wx+b)

        而测试中就不用了

  • 实践中,p在底层设得很小,如0.2,但在高层设得更大,如0.5。
  • 在某些平台,随机失活率被定义成每个神经元被保留的概率。

2.1.3 数据增强

\begin{Bmatrix} x^{(n)},t^{(n)} \end{Bmatrix} 表示原本的训练集

  1. 在输入数据中加入一些变换:x^{(n)}\rightarrow \widehat{x}^{(n)} 保持标签 t^{(n)} 不变
  2. 使用增强后的训练集 \begin{Bmatrix} x^{(n)},t^{(n)} \end{Bmatrix}\cup \begin{Bmatrix} \widehat{x}^{(n)},t^{(n)} \end{Bmatrix} 来训练模型

不同数据类型(文本,图像,音频)有不同的变换。

常用的图像变换:

  • 随机
    • 翻转 flips 
    • 平移 translations
    • 缩放 crops and scales
    • 拉伸 stretching
    • 剪切 shearing
    • 擦除 Cutout or erasing
    • 混合 mixup
    • 色彩变换 color jittering
    • ……
  • 上述变换的组合

随机翻转 

AL遮天传 DL-深度学习模型的训练技巧_第7张图片

随即缩放和裁剪 

AL遮天传 DL-深度学习模型的训练技巧_第8张图片

测试中可以

  • 将测试图像缩放到模型要求的输入大小
  • 剪裁一个区域 (通常是中心区域) 并输入到模型
  • 剪裁多个并输入到模型, 对输出作平均

随机擦除 AL遮天传 DL-深度学习模型的训练技巧_第9张图片

 

2.2 处理过拟合方法小结

AL遮天传 DL-深度学习模型的训练技巧_第10张图片

 

三、批归一化

3.1 Internal covariate shift (内部协变量偏移)

当使用SGD时, 不同迭代次数时输入到神经网络的数据不同,可能导致某些层输出的分布在不同迭代次数时不同。

某个或一群神经元针对 一批数据的输出分布:

AL遮天传 DL-深度学习模型的训练技巧_第11张图片

 由于神经网络比较深,一些层的分布可能就不那么相似了。

 我们把:训练中,深度神经网络中间节点分布的变化叫做:内部协变量偏移(ICS)

3.1.1 通过归一化来减少ICS

对每个标量形式的特征单独进行归一化,使其均值为0,方差为1

AL遮天传 DL-深度学习模型的训练技巧_第12张图片

 对于d维激活 x=(x_{1},...,x_{d}), 做如下归一化:

\widehat{x}_{i}=\frac{x_{i}-E[x_{i}]}{\sqrt{Var[x_{i}]}}

保持该层的表达能力

y_{i}=\gamma _{i}\widehat{x}_{i}+\beta _{i}

若 \gamma_{i}=\sqrt{Var[x_{i}]} 且 \beta _{i}=E[x_{i}] ,恢复到原来的激活值。

3.2 批归一化(Batch Normalization, BN)

构建一个新的层

y^{(n)}=BN_{\gamma ,\beta }(x^{(n)})

向前计算(下式都是逐元素操作)

  • \mu _{B}=\frac{1}{m}\sum_{n=1}^{M}x^{(n)}
  • \sigma _{B}^{2}=\frac{1}{m}\sum_{n=1}^{M}(x^{(n)}-\mu _{B})^{2}
  • \widehat{x}^{(n)}=\frac{x^{(n)}-\mu _{B}}{\sqrt{\sigma ^{2}_{B}+\epsilon }}
  • y^{(n)}=\gamma \widehat{x}^{(n)}+\beta

 

3.2.1 推理过程

AL遮天传 DL-深度学习模型的训练技巧_第13张图片

 如果想追踪训练准确率,可以使用滑动平均。

 

3.2.2 在网络中的位置

通常应用在非线性层之前(根据实践经验)

前一层通常是线性转换层(全连接层或卷积层)

y^{(l)}=W^{(l)}y^{(l-1)}+b^{(l)}

偏置项可以忽略,因为BN的便宜项有相同的效果,因此

y^{(l)}=BN(W^{(l)}y^{(l-1)})

 

3.2.3 卷积神经网络中的批归一化

  • BN通常应用在卷积层之后
  • 要求同一特征图里的不同元素以同样的方式进行归一化
  • 对一个minibatch:
    • 假设批大小为M,特征图大小为P*Q,那么均值和方差要基于MPQ个元素计算得到
    • 对每个特征图(而不是每个激活)学习一堆参数 \gamma _{i} 和 \beta _{i}
  • 推理过程进行类似修改

3.2.4 优点

  • BN允许使用更大的学习率
  • BN对整个模型进行了正则化
    • 对于某个训练样本,模型不会给出确定性的输出
    • 可能不再需要Dropout

 

3.3 批归一化小结

AL遮天传 DL-深度学习模型的训练技巧_第14张图片

其它归一化技巧:

AL遮天传 DL-深度学习模型的训练技巧_第15张图片

 

四、超参数(Hyperparameters)选取

超参数: 控制算法行为,且不会被算法本身所更新。

  • 通常决定了模型的能力(capacity)

对于一个深度学习模型,超参数包括:

  • 层数, 每层的神经元数目
  • 正则化系数
  • 学习率 – 参数衰减率(Weight decay rate)
  • 动量项(Momentum rate)
  • ……

对于给定的数据集和任务, 需要选择合适的超参数。

 

4.1 如何选择深度学习模型的架构?

  • 熟悉数据集
    • 看/听/闻…
  • 与之前见过的数据/任务比较
    • 样本数目
    • 图像大小, 视频长度, 输入复杂度…
  • 最好从在类似数据集或任务上表现良好的模型开始

 

4.2 如何选择其它超参数?

一个实践指南:

  • 第1步: 观察初始损失。
  • 第2步: 在一组小样本上过拟合。
  • 第3步: 找到使损失下降的学习率。
  • 第4步: 粗粒度改变学习率,训练1-5轮。
  • 第5步: 细粒度改变学习率,训练更长时间。
  • 第6步: 观察损失曲线。

第1步:观察初始损失

  • 确保损失的计算是正确的
  • 将权重衰减设为零

第2步:在一组小样本上过拟合

  • 在一组少量样本的训练集上训练,尝试达到100%训练准确率
    • 可以保证从数据集预处理到输出的整个流程是正确的。
    • 可以找出一些调整学习率的提示。
  • 如果训练损失没有下降。
    • 不好的初始化, 学习率太小, 模型太小。
  • 如果训练损失变成Inf或NaN。
    • 不好的初始化, 学习率太大。

第3步: 找到使损失下降的学习率

  • 在全部数据上训练模型,并找到使损失值能够快速下降的学习率。
    • 当损失值下降较慢时,将学习率缩小10倍。
    • 使用较小的参数衰减。

第4步: 粗粒度改变学习率, 训练1-5轮

  • 在上一步的基础上,尝试一些比较接近的学习率和衰减率。
  • 常用的参数衰减率: 1e-4, 1e-5, 0。

第5步: 细粒度改变学习率, 训练更长时间

使用上一步找到的最好的学习率,并训练更长时间 (10-20  轮),期间不改变学习率。

第6步: 观察损失曲线

训练损失通常用滑动平均绘制 ,否则会有很多点聚集在一起。

AL遮天传 DL-深度学习模型的训练技巧_第16张图片

AL遮天传 DL-深度学习模型的训练技巧_第17张图片

 

4.3 超参数选取小结

AL遮天传 DL-深度学习模型的训练技巧_第18张图片

 

五、总结

AL遮天传 DL-深度学习模型的训练技巧_第19张图片

你可能感兴趣的:(深度学习,人工智能,python)