1.mlp-全连接层-每个输入均影响输出
2.初始化权重函数需要对层是否有权重判断(只有线性层有)所以:
def init_weights(m): if type(m) == nn.Linear:##进行种类判断 nn.init.normal_(m.weight, std=0.01)
3.防止线性函数过于简单可以进行高次幂定义,类似于泰勒的形式
4.l2正则化本质就是加了一个平方惩罚项,其他类似,唯独在给优化算法输入参数时加入调用正则化系数:trainer = torch.optim.SGD([{"params":net[0].weight,##"weight_decay":wd##这里对weight使用正则化##},{"params":net[0].bias}],lr)对比:trainer = torch.optim.SGD(net.parameters(), lr=lr)这里就没有包含正则化项。
5.dropout是在每一次迭代随机丢弃节点,也就是每次迭代训练的都是不同的一部分子网络。操作是在每一大层结束后使用Dropout层,可以指定暂退比例。小贴士:多输出分类模型最后一层节点不是1,而Meloss只能争对一个节点的线性层,一定要用交叉熵损失
6.各类偏移具有很多类似,其中协变量偏移可以引入损失权重来提高适应。
7.比较好的权重初始化:xavier:使用根据输入特征以及本层节点数目考虑的权重初始化系数,可以打破对称性质,也会因为节点占有多适当降低权重,增加网络协同性,减少过拟合