Google深度学习笔记 从线性分类器到深度神经网络

转载请注明作者:梦里风林
Github工程地址:https://github.com/ahangchen/GDLnotes
欢迎star,有问题可以到Issue区讨论
官方教程地址
视频/字幕下载

Limit of Linear Model

  • 实际要调整的参数很多
    Google深度学习笔记 从线性分类器到深度神经网络_第1张图片

如果有N个Class,K个Label,需要调整的参数就有(N+1)K个

  • Linear Model不能应对非线性的问题
    Google深度学习笔记 从线性分类器到深度神经网络_第2张图片

  • Linear Model的好处

    • GPU就是设计用于大矩阵相乘的,因此它们用来计算Linear Model非常efficient
    • Stable:input的微小改变不会很大地影响output

    Google深度学习笔记 从线性分类器到深度神经网络_第3张图片

    • 求导方便:线性求导是常数

  • 我们希望参数函数是线性的,但整个model是非线性的

  • 所以需要对各个线性模型做非线性组合

    • 最简单的非线性组合:分段线性函数(RELU)

Neural network

  • 用一个RELU作为中介,一个Linear Model的输出作为其输入,其输出作为另一个Linear Model的输入,使其能够解决非线性问题

Google深度学习笔记 从线性分类器到深度神经网络_第4张图片

  • 神经网络并不一定要完全像神经元那样工作
  • Chain Rule:复合函数求导规律

Google深度学习笔记 从线性分类器到深度神经网络_第5张图片

  • Lots of data reuse and easy to implement(a simple data pipeline)
  • Back propagation

    Google深度学习笔记 从线性分类器到深度神经网络_第6张图片

    • 计算train_loss时,数据正向流入,计算梯度时,逆向计算
    • 计算梯度需要的内存和计算时间是计算train_loss的两倍

Deep Neural Network

Current two layer neural network:

Google深度学习笔记 从线性分类器到深度神经网络_第7张图片

优化:

  • 优化RELU(隐藏层), wider
  • 增加linear层,layer deeper

    • Performance: few parameters by deeper
    • 随层级变高,获得的信息越综合,越符合目标

About t-model

  • t-model只有在有大量数据时有效
  • 今天我们才有高效的大数据训练方法:Better Regularization
  • 难以决定适应问题的神经网络的规模,因此通常选择更大的规模,并防止过拟合

Avoid Overfit

Early Termination

  • 当训练结果与验证集符合度下降时,就停止训练
    Google深度学习笔记 从线性分类器到深度神经网络_第8张图片

Regulation

  • 给神经网络里加一些常量,做一些限制,减少自由的参数
  • L2 regularization

Google深度学习笔记 从线性分类器到深度神经网络_第9张图片

在计算train loss时,增加一个l2 norm作为新的损失,这里需要乘一个β(Hyper parameter),调整这个新的项的值

Hyper parameter:拍脑袋参数→_→

  • l2模的导数容易计算,即W本身

DropOut

最近才出现,效果极其好
- 从一个layer到另一个layer的value被称为activation
- 将一个layer到另一个layer的value的中,随机地取一半的数据变为0,这其实是将一半的数据直接丢掉
- 由于数据缺失,所以就强迫了神经网络学习redundant的知识,以作为损失部分的补充
- 由于神经网络中总有其他部分作为损失部分的补充,所以最后的结果还是OK的
- More robust and prevent overfit
- 如果这种方法不能生效,那可能就要使用更大的神经网络了

  • 评估神经网络时,就不需要DropOut,因为需要确切的结果
  • 可以将所有Activation做平均,作为评估的依据
  • 因为我们在训练时去掉了一半的随机数据,如果要让得到Activation正确量级的平均值,就需要将没去掉的数据翻倍

觉得得我的文章对您有帮助的话,就给个star吧~

你可能感兴趣的:(神经网络,深度学习,过拟合,Dropout,ReLU)