【学习笔记】计算机视觉与深度学习(2.全连接神经网络)

学习视频：
鲁鹏-计算机视觉与深度学习

同系列往期笔记：
【学习笔记】计算机视觉与深度学习(1.线性分类器)

全连接神经网络

线性分类器通过一次变换就得出结果。
全连接神经网络级联多个变换来实现输入到输出的映射。

两层全连接网络：$f={\mathbf{W}}_2\max (0,{\mathbf{W}}_1\mathbf{x}+{\mathbf{b}}_1)+b_2$
三层全连接网络：$f={\mathbf{W}}_3\max (0,{\mathbf{W}}_2\max (0,{\mathbf{W}}_1\mathbf{x}+{\mathbf{b}}_1)+{\mathbf{b}}_2)+b_3$

可以发现有一个$\max$这样一种非线性操作，这个操作不能去掉，因为一旦去掉后就退化成了线性分类器。

全连接神经网络中的权值$\mathbf{W}$也可以看做模板，除了最外层的权值矩阵（如两层中的${\mathbf{W}}_2$，三层中的${\mathbf{W}}_3$）以外，其他的权值矩阵的类别数均可以人为指定（符合矩阵乘法即可）。因此，全连接神经网络的描述能力更强，因为调整这些权值矩阵行数等同于增加模板个数，分类器有机会学习到更多信息。

线性分类器能够解决线性可分的任务，即上一节中所述的分界面。线性可分指至少存在一个线性分界面能把两类样本没有错误的分开。
全连接神经网络更多的是处理线性不可分的任务。

线性可分示例：

线性不可分示例：

对于两层全连接网络：
$$f={\mathbf{W}}_2\max (0,{\mathbf{W}}_1\mathbf{x}+{\mathbf{b}}_1)+b_2$$
其结构如下图所示：

画成神经网络的样子：

我们定义N层全连接神经网络为：除输入层以外，其它层的数量为N的网络。
三层全连接神经网络如下图所示。

1 激活函数

问 为什么需要非线性操作？
答 若不采取如$\max$的非线性操作，多层全连接神经网络会退化成为线性。

两层全连接网络：$f={\mathbf{W}}_2\max (0,{\mathbf{W}}_1\mathbf{x}+{\mathbf{b}}_1)+b_2$
三层全连接网络：$f={\mathbf{W}}_3\max (0,{\mathbf{W}}_2\max (0,{\mathbf{W}}_1\mathbf{x}+{\mathbf{b}}_1)+{\mathbf{b}}_2)+b_3$

上式中的$\max$这样的非线性操作就是激活函数。

1.1 Sigmoid

$$\frac{1}{1+e^{-x}}$$

Sigmoid函数当$x\to -5.0$时逐渐趋近于$0$，当$x\to 5.0$时逐渐趋近于$1$。使用Sigmoid作为激活函数，使向量中的数值值域变成$[0,1]$。其特点为：输出值均为正数，且不以原点作为中心点。

1.2 tanh

$$\frac{e^x-e^{-x}}{e^x+e^{-x}}$$

tanh函数当$x\to -2.5$时逐渐趋近于$-1$，当$x\to 2,5$时逐渐趋近于$1$。使用tanh函数作为激活函数，使向量中的数值值域变成$[-1,1]$。其特点为：以原点为中心点，保留原始数据的对称性质（这对很多情况下的学习都很重要）。

1.3 ReLU

$$\max (0,x)$$

1.4 Leaky ReLU

$$\max (0.1x,x)$$

2 网络结构设计

1. 用不用隐层，用一个隐层还是用几个隐层？（深度设计）
2. 每个隐层设置多少个神经元比较合适？（宽度设计）
   这两个问题都没有一个准确的答案。
   
   依据分类任务的难易程度来调整神经网络模型的复杂程度，分类任务越难，我们设计的神经网络结构就应该越深、越宽。但是，需要注意的是对训练集分类精度最高的全连接神经网络模型，在真实场景下识别的性能未必是最好的（过拟合）。

3 SOFTMAX

之所以采用$e^{f_i}$，是为了防止后续分母出现$0$。

4 交叉熵损失

4.1 One-Hot

One-Hot编码，又称为一位有效编码，主要是采用N位状态寄存器来对N个状态进行编码，每个状态都由他独立的寄存器位，并且在任意时候只有一位有效。

One-Hot编码是分类变量作为二进制向量的表示。这首先要求将分类值映射到整数值。然后，每个整数值被表示为二进制向量，除了整数的索引之外，它都是零值，它被标记为1。

对于图像识别问题，以上面的示例为例子，对于那张图像的真实值应表示为$[1,0,0]$，要么是，要么不是，只有$0$和$1$两种选择。

如何度量现在的分类器输出与预测值之间的距离？

4.2 熵

$$H(p)=-\sum _{x}p(x)\log p(x)$$
结论：
有$c$个类别时，对于所有$\forall i\in [1,c]$有$p(x_i)=\frac{1}{c}$，此时熵为最大。
有$c$个类别时，对于所有$\forall i\in [1,c]$有且仅有一个$i$满足$x_i=1$，其余均为$0$，此时熵为最小，熵值为$0$。

4.3 相对熵(KL散度)

$$KL(p||q)=-\sum _{x}p(x)\log \frac{q(x)}{p(x)}$$

相对熵也称KL散度，用来度量两个分布之间的不相似性。和距离的概念不同，通常$KL(p||q)\ne KL(q||p)$。

4.4 交叉熵

$$H(p,q)=-\sum _{x}p(x)\log q(x)$$
$p(x)$和$q(x)$为两种不同的分布。

不难发现：
$$\begin{array}{rl}H(p,q)& =-\sum _{x}p(x)\log q(x)\\ & =-\sum _{x}p(x)\log q(x)-\sum _{x}p(x)\log p(x)+\sum _{x}p(x)\log p(x)\\ & =-\sum _{x}p(x)\log p(x)-\sum _{x}p(x)\log \frac{q(x)}{p(x)}\\ & =H(p)+KL(p||q)\end{array}$$

当处于One-Hot情况下时，$H(p)=0$。此时有$H(p,q)=KL(p||q)$。因此一般通过交叉熵定义两种分类器的差距。

而计算交叉熵时不难发现，在One-Hot模型下，只有$p(x_j)=1$对应的$j$类别对交叉熵是有贡献的。此时$L_i=-\log (q_j)$。

不是One-Hot时，不能使用$H(p,q)=K(p||q)$的结论，此时需要使用相对熵计算。

4.5 交叉熵损失vs多类支撑向量机损失

不难看出，多类支撑向量机损失在预测正确的情况下分不出分类器的好坏，但是交叉熵可以体现出其可靠性差别。

5 计算图

5.1 计算图构建与计算

计算图是一种有向图，它用来表达输入、输出以及中间变量之间的计算关系，图中的每个节点对应着一种数学运算。

1. 任何复杂的函数，都可以用计算图的形式表示；
2. 在整个计算图中，每个门单元都会得到一些输入，然后进行下列值的计算：①这个门的计算②其输出值关于输入值的局部梯度。
3. 利用链式法则，门单元应该将回传的梯度乘以它对其的输入的局部梯度，从而得到整个网络的输出对该门单元的每个输入值的梯度。

上图为$f(w,x)=\frac{1}{1+e^{-(w_0{x}_0+w_1{x}_1+w_2)}}$的计算图。给出$w_0,x_0,w_1,x_1,w_2$的值，从左到右正向可以推出最终的结果。而从右往左，可以求出梯度，最后通过链式求导法的原理得到整体的梯度。

5.2 计算图的颗粒度

$$\sigma (x)=\frac{1}{1+e^{-x}}$$
$$\frac{d\sigma (x)}{dx}=(1-\sigma (x))(\sigma (x))$$
可以看出，如果我们在计算图中不把sigmoid函数部分拆解开来，而是当做一个运算进行构建，那么会得到：

这样就简化了图的单元个数，换句话说就是降低了计算图的颗粒度。
降低颗粒度可以提高计算效率，但是对于计算图中的一个单元而言，实现难度提升。

5.3 计算图中的门单元

5.4 链式法则导致的梯度问题

梯度消失

从导数图像不难看出，当输入值大于10或小于-10时，局部梯度都是0，这非常不利于网络的梯度流传递。tanh函数也是同理。

梯度消失是神经网络训练中非常致命的一个问题，其本质是由于链式法则的乘法特性导致的。

当输入大于0时，使用ReLU函数，局部梯度永远不会为0，比较有利于梯度流的传递。

Leakly ReLU函数基本不会出现梯度为0的情况，之所以说基本，是因为函数在$x=0$处不存在导数。

结论 尽量选择ReLU函数或Leakly ReLU函数，相对于Sigmoid/tanh，ReLU函数或者Leakly ReLU函数会让梯度流更加顺畅，训练过程收敛得更快。

梯度爆炸

梯度爆炸也是由于链式法则的乘法特性导致的。断崖处梯度乘以学习率后会是一个非常大的数值，从而“飞”出了合理区域，最终导致算法不收敛。

解决方案：把沿梯度方向前进的步长限制在某个值内就可以避免“飞”出了，这个方法也称为梯度裁剪。

相比之下，梯度爆炸的问题更明显一些，因为它不像梯度爆炸，具有解决办法。

6 梯度算法改进

6.1 梯度下降法存在的问题

回顾小批量梯度下降算法：

Require：学习率$ϵ$、初始参数$\theta$
while 停止标准为满足 do:
1.从训练集中采样$m$（批量大小）个样本$\{x^{(1)},\cdots ,x^{(m)}\}$和对应的目标$\{y^{(1)},\cdots ,y^{(m)}\}$
2.计算梯度：$g\leftarrow \frac{1}{m}{\nabla }_{\theta }\sum _{i}L(f({\mathbf{x}}^{(i)};\theta ),{\mathbf{y}}^{(i)})$
3.更新权值：$\theta \leftarrow \theta -ϵg$
end while

损失函数特性：一个方向上变化迅速而在另一个方向上变化缓慢。

我们的优化目标：从起点处走到底部笑脸处。

梯度下降算法存在的问题：山壁间震荡，往低谷方向的行进较慢。

仅增大步长并不能加快算法收敛速度！

6.2 动量法

目标：改进梯度下降算法存在的问题，即减少震荡，加速通往谷底。
改进思想：利用累加历史梯度值信息更新梯度。

Require：学习率$ϵ$、动量系数$\mu$、初始参数$\theta$
初始化速度 $v=0$
while 停止标准为满足 do:
1.从训练集中采样$m$（批量大小）个样本$\{x^{(1)},\cdots ,x^{(m)}\}$和对应的目标$\{y^{(1)},\cdots ,y^{(m)}\}$
2.计算梯度：$g\leftarrow \frac{1}{m}{\nabla }_{\theta }\sum _{i}L(f({\mathbf{x}}^{(i)};\theta ),{\mathbf{y}}^{(i)})$
3.速度更新：$v=\mu v+g$
4.更新权值：$\theta \leftarrow \theta -ϵv$
end while

其中$\mu$的取值范围$[0,1)$，$\mu =0$时等价于梯度下降算法，建议设置$0.9$。

为什么有效？
累加过程中震荡方向互相抵消，平坦的方向就得到了增强。

现象：损失函数常具有不太好的局部最小点或者鞍点（高维空间常见）
梯度下降算法存在的问题 局部最小处与鞍点处梯度为0，算法无法通过。
动量法的优势 由于动量的存在，算法可以冲出局部最小点以及鞍点，找到更优的解。

6.3 自适应梯度法

自适应梯度法通过减小震荡方向步长，增大平坦方向步长来减小震荡，加速通往谷底方向。

问 如何区分震荡方向与平坦方向？
答 梯度幅度的平方较大的方向是震荡方向；梯度幅度的平方较小的方向是平坦方向。

AdaGrad方法是一种自适应梯度算法。

Require：学习率$ϵ$、衰减速率$\rho$、初始参数$\theta$、小常数$\delta$（用于被小数除时的数值稳定，通常设置为$10^{-5}$）
初始化累计变量 $r=0$
while 停止标准为满足 do:
1.从训练集中采样$m$（批量大小）个样本$\{x^{(1)},\cdots ,x^{(m)}\}$和对应的目标$\{y^{(1)},\cdots ,y^{(m)}\}$
2.计算梯度：$g\leftarrow \frac{1}{m}{\nabla }_{\theta }\sum _{i}L(f({\mathbf{x}}^{(i)};\theta ),{\mathbf{y}}^{(i)})$
3.累积平方梯度：$r=r+g\ast g$
4.更新权值：$w\leftarrow w-\frac{ϵ}{\sqrt{r}+\delta }g$
end while

其中$\rho$的取值范围为$[0,1)$，$\rho =0$时仅考虑当前梯度的强度，建议设置$0.999$

RMSProp方法是一种自适应梯度算法，是AdaGrad算法的一种改进。AdaGrad算法在$r$很大时，会导致权值$w$的调整速度非常之缓慢，而累计平方梯度只会越来越大，使学习效率大大降低。RMSProp算法使用衰减速率$\rho$来削弱累积平方梯度，从而解决上述问题。

Require：学习率$ϵ$、衰减速率$\rho$、初始参数$\theta$、小常数$\delta$（用于被小数除时的数值稳定，通常设置为$10^{-5}$）
初始化累计变量 $r=0$
while 停止标准为满足 do:
1.从训练集中采样$m$（批量大小）个样本$\{x^{(1)},\cdots ,x^{(m)}\}$和对应的目标$\{y^{(1)},\cdots ,y^{(m)}\}$
2.计算梯度：$g\leftarrow \frac{1}{m}{\nabla }_{\theta }\sum _{i}L(f({\mathbf{x}}^{(i)};\theta ),{\mathbf{y}}^{(i)})$
3.累积平方梯度：$r\leftarrow \rho r+(1-\rho )g\ast g$
4.更新权值：$w\leftarrow w-\frac{ϵ}{\sqrt{r}+\delta }g$
end while

其中$\rho$的取值范围为$[0,1)$，$\rho =0$时仅考虑当前梯度的强度，建议设置$0.999$

6.4 Adam

Adam算法同时使用动量与自适应梯度思想。其中步骤5中修正偏差可以极大缓解算法初期的冷启动问题。

Require：学习率$ϵ$、衰减速率$\rho$、动量系数$\mu$、初始参数$\theta$、小常数$\delta$（用于被小数除时的数值稳定，通常设置为$10^{-5}$）
初始化累计变量 $r=0,v=0$
while 停止标准为满足 do:
1.从训练集中采样$m$（批量大小）个样本$\{x^{(1)},\cdots ,x^{(m)}\}$和对应的目标$\{y^{(1)},\cdots ,y^{(m)}\}$
2.计算梯度：$g\leftarrow \frac{1}{m}{\nabla }_{\theta }\sum _{i}L(f({\mathbf{x}}^{(i)};\theta ),{\mathbf{y}}^{(i)})$
3.累积梯度：$v\leftarrow \mu v+(1-\mu )g$
4.累积平方梯度：$r\leftarrow \rho r+(1-\rho )g\ast g$
5,修正偏差：$\tilde{v}=\frac{v}{1-{\mu }^t}$；$\tilde{r}=\frac{r}{1-{\rho }^t}$（$t$为迭代轮次）
4.更新权值：$w\leftarrow w-\frac{ϵ}{\sqrt{\tilde{r}}+\delta }g$
end while

其中$\rho$的取值范围为$[0,1)$，$\rho =0$时仅考虑当前梯度的强度，建议设置$0.999$；$\mu$的取值范围$[0,1)$，$\mu =0$时等价于梯度下降算法，建议设置$0.9$。

7 权值初始化

所谓权值矩阵中的权值，其实就是上图中每一条边的权值。这一节我们讨论如何在学习开始时对这些权值进行初始化。

7.1 全零初始化导致的问题

全零初始化：网络中不同的神经元有相同的输出，进行同样的更新，因此，这些神经元学到的参数都一样，等价于一个神经元。

建议采用随机初始化，避免全零初始化！

7.2 随机权值初始化中的梯度消失

网络结构：10个隐层，1个输出层，每个隐层含有500个神经元，使用的是tanh激活函数。

随机初始化方式：权值采样自$N(0,0.01)$的高斯分布。

最后的输出都变为0了（梯度消失）

随机初始化方式2：权值采样自$N(0,1)$的高斯分布。

最后的输出都变为-1或1了。

原因：Sigmoid函数和tanh函数都具有这样梯度消失的情况。从生物学上来说，是因为人脑的细胞接受刺激从而产生活动，首先需要一定的阈值，没有达到阈值，几乎没用。而不同的刺激产生的输 出也是不同的，达到一定值后就饱和了，再加大也没用。

Sigmoid函数

$$\sigma (x)=\frac{1}{1+e^{-z}}$$
$$\frac{d\sigma (x)}{dx}=\sigma (x)(1-\sigma (x))$$
根据Sigmoid函数图像可得，$x$很小时$\sigma (x)\to 0$，$x$很大时$\sigma (x)\to 1$。观察导函数，当$x$很小或很大时均有$\frac{d\sigma (x)}{dx}\to 0$。这会造成梯度消失的现象。

tanh函数

$$f(x)=tanh(x)=\frac{e^x-e^{-x}}{e^x+e^{-x}}$$
$$\frac{df(x)}{dx}=1-(f(x){)}^2$$
根据Sigmoid函数图像可得，$x$很小时$\sigma (x)\to -1$，$x$很大时$\sigma (x)\to 1$。观察导函数，当$x$很小或很大时均有$\frac{df(x)}{dx}\to 0$。这会造成梯度消失的现象。

7.3 Xavier初始化

一个神经元，其输入为$z_1,z_2,\cdots ,z_N$，这$N$个输入是独立同分布的；其权值为$w_1,w_2,\cdots ,w_N$,它们也是独立同分布的，且$w$和$z$是独立的；其激活函数为$f$；其最终输出$y$的表达式：
$$y=f(w_1\ast z_1+w_2\ast z_2+\cdots +w_N\ast z_N)$$
目标：使网络各层的激活值和局部梯度的方差在传播过程中尽量保持一致，即寻找$w$的分布使得输出$y$与输入$z$的方差一致。

$w_1,w_2,\cdots ,w_N$独立同分布，$z_1,z_2,\cdots ,z_N$独立同分布，随机变量$w$和$z$独立，且均值都为$0$。令$y=w_1{z}_1+w_2{z}_2+\cdots +w_N{z}_N$，根据概率统计知识我们有：
$$Var(w_i{z}_i)=E[w_i{]}^{2}Var(z_i)+E[z_i{]}^{2}Var(w_i)+Var(w_i)Var(z_i)$$

证明：
若$X$独立同分布，则有$Var(X)=E[X^2]-E[X{]}^2$
若$X,Y$相互独立，则有$E[XY]=E[X]E[Y]$
等式左侧有：
$Var(w_i{z}_i)=E[w_i^2{z}_i^2]-E[w_i{z}_i{]}^2=E[w_i^2]E[z_i^2]-E[w_i{]}^{2}E[z_i{]}^2$
等式右侧也通过上述两个式子展开后发现和左侧相等。

通常我们有$E[w_i]=E[z_i]=0,Var(y)=1$：

$$\begin{array}{rl}Var(y)& =Var(\sum _{i=1}^N{w}_i{z}_i)\\ & =\sum _{i=1}^{N}Var(w_i{z}_i)\\ & =\sum _{i=1}^N(E[w_i{]}^{2}Var(z_i)+E[z_i{]}^{2}Var(w_i)+Var(w_i)Var(z_i))\\ & =\sum _{i=1}^{N}Var(w_i)Var(z_i)\\ & =nVar(w_i)Var(z_i)\end{array}$$

不难看出，当$Var(w_i)=\frac{1}{N}$时，$y$的方差与$z$的方差一致。

于是便有了Xavier初始化。

网络结构：10个隐层，1个输出层，每个隐层包含500个神经元，使用tanh激活函数。
随机初始化方式：权值采样自$N(0,1/N)$的高斯分布，$N$为输入的神经元个数。
可以发现，达到目的：每层神经元激活值的方差基本相同。

7.4 He初始化

当把网络结构中激活函数改成ReLU函数时，使用Xavier初始化有：

此时的效果并不好。

推荐使用He初始化方法，即在Xavier初始化方法基础上仅修改随机初始化方式：权值采样自$N(0,2/N)$的高斯分布。

综上，Sigmoid函数、tanh函数使用Xavier初始化，ReLU函数、Leakly ReLU函数使用He初始化。

7.5 批归一化

前面介绍的方法采取的思路如下：

批归一化采取全新的思路，即直接对神经元的输出进行批归一化。

小批量梯度下降算法回顾：每次迭代时会读入一批数据，比如32个样本；经过当前神经元后会有32个输出值$y_1,y_2,\cdots ,y_{32}$。
批归一化操作：对32个输出进行减均值除方差操作；可保证当前神经元的输出值的分布符合0均值1方差。

如果每一层的每个神经元进行批归一化，就能解决前向传递过程中信号消失的问题。

批归一化与梯度消失

批归一化算法：

输入：$\mathcal{B}=\{x_1,\cdots ,x_m\}$；
学习参数：$\gamma$，$\beta$
输出：$\{y_1,\cdots ,y_m\}$
1.计算小批量均值：${\mu }_{\mathcal{B}}\leftarrow \frac{1}{m}\sum _{i=1}^m{x}_i$
2.计算小批量方差：${\sigma }_{\mathcal{B}}^2\leftarrow \frac{1}{m}\sum _{i=1}^m(x_i-{\mu }_{\mathcal{B}}{)}^2$
3.归一化：${\hat{x}}_i\leftarrow \frac{x_i-{\mu }_{\mathcal{B}}}{\sqrt{{\sigma }_{\mathcal{B}}^2+ϵ}}$
4.平移缩放：$y_i\leftarrow \gamma {\hat{x}}_i+\beta$

问 输出的0均值1方差的正态分布是最有利于网络分类的分布吗？
答 根据对分类的贡献自行决定数据分布的均值与分差。

问 单张样本测试时，均值和方差怎么设置。
答 来自于训练中。累加训练时每个批次的均值和方差，最后进行平均，用平均后的结果作为预测时的均值和方差。

8 过拟合

机器学习的根本问题是优化和泛化的问题。
优化——是指调节模型以在训练数据上得到最佳性能。
泛化——是指训练好的模型在前所未见的数据上的性能好坏。

训练初期
优化和泛化是相关的：训练集上的误差越小，验证集上的误差也越小，模型的泛化能力逐渐增强。

训练后期
模型在验证集上出现的错误率不在降低，转而开始变高。模型出现过拟合，开始学习仅和训练数据有关的模式。

8.1 过拟合

出现过拟合，得到的模型在训练集上的准确率很高，但在真实的场景中识别率却很低。
过拟合是指学习时选择的模型所包含的参数太多，以至于出现这一模型对已知数据预测得很好，但对于未知数据预测得很差的现象。这种情况下模型可能只是记住了训练集数据，而不是学习到了数据特征。

应对过拟合

最优方案——获取更多的训练数据
次优方案——调节模型允许存储的信息量或者对模型允许存储的信息加以约束，该类方法也称为正则化。

正则化的方法有两种：

1. 调节模型大小
2. 约束模型权重，即权重正则化（常用的有L1、L2正则化）

回顾正则化：

$$L=\frac{1}{N}\sum _i{L}_i(f({\mathbf{x}}_i,\mathbf{W}),y_i)+\lambda R(\mathbf{W})$$
式中$\lambda R(\mathbf{W})$为正则项。
其中我们将$\frac{1}{N}\sum _i{L}_i(f({\mathbf{x}}_i,\mathbf{W}),y_i)$称作数据损失，模型预测需要和训练集相匹配；将$\lambda R(\mathbf{W})$称作正则损失，防止模型在训练集上学习得“太好”。
$R(\mathbf{W})$是一个与权值有关，跟图像无关的函数。
$\lambda$是一个超参数，控制着正则损失在总损失中所占的比重。
L2正则项：$R(\mathbf{W})=\sum _k\sum _l{W}_{k,l}^2$

L2正则损失对于大数值的权值向量进行严厉惩罚，鼓励更加分散的权重向量，使模型倾向于使用所有输入特征做决策，此时的模型泛化性比较好。对于分界面：不会生成过于复杂的分界面，会尽量使分界面变得平滑。

8.2 欠拟合

欠拟合是指模型描述能力太弱，以至于不能够很好地学习到数据中的规律。产生欠拟合的原因通常是模型过于简单。

8.3 随机失活 (Dropout)

随机失活：让隐层的神经元以一定概率不被激活。
实现方式：训练过程中，对某一层使用Dropout，就是随机将该层的一些输出舍弃（输出值设置为0），这些被舍弃的神经元就好像被网络删除了一样。

随机失活比率 (Dropout Ratio)：是被设为0的特征所占的比例，通常在0.2~0.5范围内。

例：假设某一层对给定的输入样本的返回值应该是向量：$[0.2,0.5,1.3,0.8,1.1{]}^T$，使用Dropout后，这个向量会有几个随机的元素变成$[0,0.5,1.3,0,1.1{]}^T$。

问 为什么随机失活能够防止过拟合？
解释1 随机失活使得每次更新梯度时参与计算的网络参数减少了，降低了模型容量，所以能防止过拟合。

解释2 随机失活鼓励权重分散，从这个角度来看随机失活也能起到正则化的作用，进而防止过拟合。
对于一层的神经元，其需要上一层的所有神经元的学习结果。如果上一层中的每个神经元只学习一种特征，那么当这些神经元发生随机失活时，本层的神经元会丢失信息。因此，每一个神经元需要存储更多的信息防止信息流动失败。

解释3 Dropout可以看作模型集成。
每次失活后剩下的网络可以看做一个小的模型，而不同的失活状态导致生成的模型不同，最后输出的结果会产生多种小模型学习后的结果，相当于集成了多种小型模型。 从这个角度来看，随机失活也可以使模型变得更加稳定。

存在的问题

9 超参数

超参数：

1. 网络结构——隐层神经元个数，网络层数，非线性单元选择等
2. 优化相关——学习率、dropout比率、正则项强度等

9.1 学习率

1. 学习率过大，训练过程无法收敛
2. 学习率高（偏大），在最小值附近震荡，达不到最优
3. 学习率过低，收敛时间较长
4. 学习率适中，收敛快、结果好

9.2 超参数优化方法

每组实验选取过拟合之前最优的那一刻中最低的损失值进行比较。

网格搜索法

①每个超参数分别取几个值，组合这些超参数值，形成多组超参数；
②在验证集上评估每组超参数的模型性能；
③选择性能最优的模型所采用的那组值作为最终的超参数。

随机搜索法

①参数空间内随机取点，每个点对应一组超参数；
②在验证集上评估每组超参数的模型性能；
③选择性能最优的模型所采用的那组值作为最终的超参数的值。

更倾向于随机搜索法，因为这种方法，我们可以尝试9个超参数

9.3 超参数搜索策略

粗搜索

利用随机法在较大范围里采样超参数，训练一个周期，依据验证集正确率缩小超参数范围。

精搜索

利用随机法在前述缩小的范围里采样超参数，运行模型五到十个周期，选择验证集上精度最高的那组超参数。

9.4 超参数的标尺空间

最优的值在[0.0001,1]之间，我们如何采样？

对于学习率、正则项强度这类超参数，在对数空间上进行随机采样更合适！