深度学习——自学笔记2

在回顾深度学习相关知识的时候参考链接博客，将自己遗忘的知识点进行整理归纳。

• Train/Dev(验证集）/Test Sets
  没有Test sets也是没有问题的。Test sets的目标主要是进行无偏估计。我们可以通过Train sets训练不同的算法模型，分别在Dev sets(测试不同算法的表现)上进行验证，根据结果选择最好的算法模型。这样也是可以的，不需要再进行无偏估计了。如果只有Train sets和Dev sets，通常也有人把这里的Dev sets称为Test sets。
• Bias（偏差）/Variance（方差）
  当base error0时，假设Train set error为1%，Dev set error为11%，即该算法模型对训练样本的识别很好，但是对验证集的识别却不太好。这说明了该模型对训练样本可能存在过拟合，模型泛化能力不强，导致验证集识别率低。这恰恰是high variance的表现。假设Train set error为15%，而Dev set error为16%，虽然二者error接近，即该算法模型对训练样本和验证集的识别都不是太好。这说明了该模型对训练样本存在欠拟合。这恰恰是high bias的表现。模型既存在high bias也存在high variance，可以理解成某段区域是欠拟合的，某段区域是过拟合的。
• Basic Recipe for Machine Learning
  减少high bias的方法通常是增加神经网络的隐藏层个数、神经元个数，训练时间延长，选择其它更复杂的NN模型等。在base error不高的情况下，一般都能通过这些方式有效降低和避免high bias，至少在训练集上表现良好。
  减少high variance的方法通常是增加训练样本数据，进行正则化Regularization（有效途径），选择其他更复杂的NN模型等。

防止过拟合的有效途径

• Regularization添加正则化项
  L1 regularization vs L2 regularization:
  与L2 regularization相比，L1 regularization得到的w更加稀疏，即很多w为零值。其优点是节约存储空间，因为大部分w为0。然而，实际上L1 regularization在解决high variance方面比L2 regularization并不更具优势。而且，L1的在微分求导方面比较复杂。所以，一般L2 regularization更加常用。

更新w[l]时，比没有正则项的值要小一些，不断迭代更新，不断地减小，当lambd比较大时，w接近于0，某些神经元的部分功能下降。选择合适的lambd的值就可以同时避免high variance和high bias.

• Dropout Regularization
    Dropout是指在深度学习网络的训练过程中，对于每层的神经元，按照一定的概率将其暂时从网络中丢弃。也就是说，每次训练时，每一层都有部分神经元不工作，起到简化复杂网络模型的效果，从而避免发生过拟合。
  Dropout在电脑视觉CV领域应用比较广泛，因为输入层维度较大，而且没有足够多的样本数量。值得注意的是dropout是一种regularization技巧，用来防止过拟合的，最好只在需要regularization的时候使用dropout。
• 增加训练样本数量
• early stopping
  Early stopping的做法通过减少得带训练次数来防止过拟合，这样J就不会足够小。L2 regularization可以实现“分而治之”的效果：迭代训练足够多，减小J，而且也能有效防止过拟合。而L2 regularization的缺点之一是最优的正则化参数λ
  的选择比较复杂。对这一点来说，early stopping比较简单。总的来说，L2 regularization更加常用一些。

Normalization inputs

对训练样本进行归一化处理，提高训练的速度。

Vanishing and Exploding gradients

梯度消失和梯度爆炸。意思是当训练一个层数非常多的神经网络时，计算得到的梯度可能非常小或非常大，甚至是指数级别的减小或增大。这样会让训练过程变得非常困难。

发生在指数稍大于1和稍小于1的情况下。

• 防止梯度爆炸和梯度消失
  Weight Initialization for Deep Networks
  为了让z不会过大或者过小，思路是让w与n有关，且n越大，w应该越小才好。这样能够保证z不会过大。一种方法是在初始化w时，令其方差为1/n.
  如果激活函数是ReLU，权重w的初始化一般令其方差为2/n.

Gradient checking

参考博客
https://blog.csdn.net/red_stone1/article/details/78208851