机器学习笔记

常见问题：

对于神经网络Loss不下降问题：

1.参数设置问题

2.模型结构

模型结构过于简单（不够深）容易出现拟合缓慢、拟合率低的问题

3.损失函数选择

如果是分类，应该用交叉熵损失函数，如果是做回归，用mse/mae损失函数

4.激活函数选择

sigmoid、relu、tanh

5.优化器选择

Adam、sgg，注意学习率不应太大

梯度爆炸

在深层网络或循环神经网络中，误差梯度可在更新中累积，变成非常大的梯度，然后导致网络权重的大幅更新，并因此使网络变得不稳定。在极端情况下，权重的值变得非常大，以至于溢出，导致 NaN 值。表现形式包括：

• 模型无法从训练数据中获得更新（如低损失）。
• 模型不稳定，导致更新过程中的损失值出现显著变化。
• 训练过程中，模型损失变成 NaN。

1.重新设计网络结构

• 在深度神经网络中，梯度爆炸可以通过重新设计层数更少的网络来解决。
• 使用更小的批尺寸对网络训练也有好处。
• 在循环神经网络中，训练过程中在更少的先前时间步上进行更新（沿时间的截断反向传播，truncated Backpropagation through