cs231n 学习笔记 第七课

复习：

（1）为什么要进行归一化：使分类函数的裕度更大，对数据扰动的容忍程度更大

（2）过拟合的解决方法：添加正则化项

（3）参数调整规则：一般最先调整学习率（最敏感），调整到比最优值略小

更有效的优化：

（1）随机梯度下降的问题：

a.一些函数的梯度方向并不是指向其最小值的，此时使用梯度下降就会出现“之”字型曲线 。e.g.椭圆形等高线

b.会卡在损失函数的局部极小或鞍点上。

ps:一维上，局部极小较明显，鞍点显得没那么重要；但是高维时，局部极小出现的很少，但是鞍点影响的更频繁

（2）更好的优化算法——动量

   一般ρ=0.9/0.99，让其有了惯性~

#Nesterov Momentum
dx = compute_gradient(x)
old_v = v
v = rho * v - learning_rate * dx
x += -rho * old_v + (1 + rho) * v

先沿着速度方向前进，得到对应点的梯度，然后返回起始点，利用刚才求得的梯度再计算，进行真正的前进

初始化：最初速度设置为0

ps:带动量的情况下很容易就会越过极小值点——缺点

（3）AdaGrad

计算每一步梯度的平方，并累加求和，并让参数更新的时候除以这个平方和的平方根。

grad_squared = 0
while True:
    dx = compute_gradient(x)
    grad_squared += dx * dx
    x -= learning_rate * dx / (np.sqrt(grad_squared) + 1e-7) #添加1e-7防止除0

当多维情况下，各个方向梯度大小不一致，通过AdaGrad来平衡梯度前进的方向，但是随着迭代次数增加，步长会越来越小，也会很容易被局部极小困住

（4）RMSProp

grad_squared = 0
while True:
    dx = compute_gradient(X)
    grad_squared = decay_rate * grad_squared + (1 - decay_rate) * dx * dx
    x -= learning_rate * dx / (np.sqrt(grad_squared) + 1e-7)

衰减率通常为0.9/0.99， 用以解决随着迭代次数增加而使步长减小的问题

（5）Adam（almost）:Momentum 和 RMSProp的结合：

first_moment = 0  #第一动量
second_moment = 0 #第二动量
while True:
    dx = compute_gradient(x)
    first_moment = beta1 * first_moment +(1 - beta1) * dx #Momentum
    second_moment = beta2 * second_moment + (1 - beta2) * dx * dx #RMSProp
    x -= learning_rate * first_moment / (np.sqrt(second_moment) + 1e-7))

缺点：最初时候第一、二动量都很小，有可能会使初始的步长变得很大

Adam(full)

first_moment = 0  #第一动量
second_moment = 0 #第二动量
for t in range(num_iterations):
    dx = compute_gradient(x)
    first_moment = beta1 * first_moment +(1 - beta1) * dx #Momentum
    second_moment = beta2 * second_moment + (1 - beta2) * dx * dx #RMSProp
    first_unbias = first_moment / (1 - beta1 ** t) #Bias correction
    second_unbias = second_moment/ (1 - beta2 ** t)    
    x -= learning_rate * first_unbias / (np.sqrt(second_unbias) + 1e-7))

解决步长问题：当t很小的时候，对应初始状态，第一、二动量就会除以一个很大的数；随着t的增大，unbias 逐渐趋于moment

Adam是一个相当棒的算法，初值可以考虑设置为：beta1 = 0.9, beta2 = 0.999, learning_rate = 1e-3 或 5e-4

（6）学习率衰减：

最初设置个较大的学习率，然后随着迭代次数增加而不断衰减

ps：一些论文中损失函数的曲线会出现几次骤降，可能是由于在拐点处发生了学习率的变化所导致的

pss:学习率衰减通常用于SGD，AdaGrad，但少用于Adam

psss:学习率衰减是一个二阶的超参数，最初往往不适用，而是找到一个不错的学习率，再尝试使用学习率衰减

（7）二阶拟合

之前的梯度下降仅仅用了泰勒的一阶近似，但也可以使用二阶近似（牛顿法）。但是参数量巨大，不太现实

（8）集成学习：训练多个不同模型，结果取平均，大概会提升2%。也不一定需要独立的训练这些模型

（9）正则化：防止过拟合

review：L1, L2正则化

dropout:在进行前向传播时，随机让每一层的神经元置零（实际为激活函数置零，一般在全连接层，有时也用在卷积层）

测试时，不再置零，而是直接将输出乘以置零的概率

一直提升速度的方法：在测试时不再乘以概率，而是在训练的时候，将输出除以置零的概率

原理：训练时给网络加入随机量，通过扰乱网络的方法以防止其过拟合

ps：BN和dropout是相似的，有时不必同时使用

（10）数据增强：给数据中引入随机性：水平翻转，随机裁剪（中心，四个角），色彩抖动（color jitter）(使用较少）

（11）随机深度：随机丢弃深度网络的部分层，但测试时的使用整个层

ps:一般只使用batch normalization，如果发现过拟合之后再加入dropout等其他方法

（12）迁移学习 transfer learning：先找到成熟的网络，在一个较大的数据集上训练（ImageNet）, 然后修改输入和输出的全连接层。冻结中间层。

ps：如果是很小的数据集，输入部分只需要修改第一个全连接层即可，其余冻结；而如果是中等数据集，则输入部分可能要多改几层，或者是训练整个网络，但是调低学习率。

pss：目前大部分网络使用到CNN时都是先在ImageNet上预训练好，然后再对网络进行fine tune