2017CS231n笔记6.训练神经网络（上）

概述

在线Latex公式
本节包含两大块内容，第一块是前面三个，第二块是后面三个：

• Activation Functions激活函数
• Data Preprocessing数据处理
• Weight Initialization权重初始化
• Batch Normalization批量归一化
• Babysitting the Learning Process调参过程实践
• Hyperparameter Optimization超参数优化
  这一节的内容在ng的深度学习中基本已经cover过了，所以不打算写得太详细，上点图大概总结一下。

Activation Functions激活函数

这里注意$tanh(x)$是取值区间是(-1,1)，这里ELU是之前没有讲过的，其他都在ng和李宏毅的课里面有讲。

sigoid的优缺点

优点：

• Squashes numbers to range [0,1]
• Historically popular since they have nice interpretation as a saturating “firing rate” of a neuron
  缺点：

1. Saturated neurons “kill” the gradients（饱和：激活函数导数接近0）
2. Sigmoid outputs are not zero-centered
3. exp() is a bit compute expensive（对于后面矩阵什么计算虽然不算什么，但是对于其他激活函数而言sigmoid的求导计算量比较大）

tanh(x)特点

• Squashes numbers to range [-1,1]
• zero centered (nice)
• still kills gradients when saturated ?

ReLU优缺点

优点：

• Does not saturate (in +region)
• Very computationally efficient
• Converges much faster than sigmoid/tanh in practice (e.g. 6x)
  缺点：
• Not zero-centered output
• An annoyance:小于0的区域都会出现梯度消失的问题

Leaky ReLU优缺点

• Does not saturate
• Computationally efficient
• Converges much faster than sigmoid/tanh in practice! (e.g. 6x)
• will not “die”.

Exponential Linear Units (ELU)

优点：

• All benefits of ReLU
• Closer to zero mean outputs
• Negative saturation regime compared with Leaky ReLU adds some robustness to noise
  缺点：
• Computation requires exp()

Maxout

这个在李宏毅的课里面讲过，是抓爆的一般形式。
优点：

• Does not have the basic form of dot product ->nonlinearity
• Generalizes ReLU and Leaky ReLU
• Linear Regime! Does not saturate! Does not die!
  缺点：
  Problem: doubles the number of parameters/neuron ?

TLDR(Too long Don’t Read)

• Use ReLU. Be careful with your learning rates
• Try out Leaky ReLU / Maxout / ELU
• Try out tanh but don’t expect much
• Don’t use sigmoid

Data Preprocessing数据处理

Assume X [NxD] is data matrix, each example in a row，常用操作有：

还有PCA和Whitening，白化是将不同特征的相关性去掉相，并且将新特征的数据的的方差化为相同。

TLDR

对于图像处理，只做中心化，一般不做归一化也不做PCA和白化，原因是每个像素点的取值范围基本都是0-255，强行归一化会丢失图片特征。
e.g. consider CIFAR-10 example with [32,32,3] images

• Subtract the mean image (e.g. AlexNet)
  (mean image = [32,32,3] array)
• Subtract per-channel mean (e.g. VGGNet)
  (mean along each channel = 3 numbers)
• Subtract per-channel mean and Divide by per-channel std (e.g. ResNet)
  (mean along each channel = 3 numbers)
  学生问，归一化对于sigmoid激活函数是否有帮助
  答：有，但仅仅对输入层进行归一化则仅仅对第一层有帮助，对后面没有帮助。
  助教补充：剪切图片、图片灰度、二值化、缩放、数据增强都属于图像预处理，这个看个人需要。而减均值除方差是属于标准化输入。

Weight Initialization权重初始化

用$W=0$初始化是否可行？
所有权重为0，那么所有神经元都会做同样的操作，相同的输出，得到相同的梯度，相同的更新，这样不同的神经元就不能学习到不同的特征了。因此做的第一个事情就是：

• First idea: Small random numbers
  (gaussian with zero mean and 1e-2 standard deviation)
  常见设置，可以解决Symmetry breaking problem，ng的课里面解释了为什么这里是0.01或者说是一个比较小的数字，因为数字大意味w变大，使用tanh或者sigmoid函数计算输出的时候就会停在tanh/sigmoid函数平坦的地方，这些地方的梯度很小，做GD很慢。

w = 0.01 * np.random.randn(Din, Dout)

Works ~okay for small networks, but problems with deeper networks.

由于采用的tanh函数作为激活函数，tanh是零点对称，所以上面的每个层的输出均值都为0，但是标准差会变小，因为每层都乘以一个很小的w，导致std缩水。就是往前传递的过程中，输出变小，导致local gradient趋向于0，在计算梯度的时候也变成0.

这里增大了weight，导致经过tanh后输出为-1或者1（回想tanh函数的图形），Local gradients也都是0（平滑区域斜率是0）

Xavier初始化

使用ReLU的话小于0的部分就会被kill，所以看到只有一半。

Batch Normalization批量归一化

我们希望每层的输入数据都是zero-mean的，原因上半节课有讲：https://blog.csdn.net/mooneve/article/details/81943904
因此就是要做归一化，其原始形式为：
$${\hat{x}}^{(k)}=\frac{x^{(k)}-E[x^{(k)}]}{\sqrt{Var[x^{(k)}]}}$$
对于输入$x$是$N\times D$维的矩阵的时候计算就变成下面这样：

$${\mu }_j=\frac{1}{N}\sum _{i=1}^N{x}_{i,j}$$ Per-channel mean, shape is D
$${\sigma }_j^2=\frac{1}{N}\sum _{i=1}^N(x_{i,j}-{\mu }_j{)}^2$$Per-channel var, shape is D
$${\hat{x}}_{i,j}=\frac{x_{i,j}-{\mu }_j}{\sqrt{{\sigma }_j^2+\epsilon }}$$ Normalized x, Shape is N x D
BN操作常常在FC或convolution操作后，在nonlinearity之前，原因是我们这这些地方要乘W，在这里做归一化可以减少不好的尺度效应：

做完归一化后，通常我们会想要控制神经元饱和程度，会对归一化结果进行拉伸scale和平移shift，对应的参数是$\gamma$和$\beta$，这两个参数也是可以学习出来的（这里有些没理解，看ng讲的时候就不太明白，这里也是）
$$y_{i,j}={\gamma }_j{\hat{x}}_{i,j}+{\beta }_j$$ Output, Shape is N x D

BN小结

• Makes deep networks much easier to train!
• Improves gradient flow
• Allows higher learning rates, faster convergence（鲁棒性加强）
• Networks become more robust to initialization
• Acts as regularization during training
• Zero overhead at test-time: can be fused with conv!
• Behaves differently during training and testing: this is a very common source of bugs!
• BN讲解好文推荐

Babysitting the Learning Process调参过程实践

在ng的课有提过，两种模式Panda vs. Caviar相当于哺乳动物和卵生动物的比较。
这里也给出了一些实战建议：

注意：数据集很小的时候，模型应该能够overfitting数据，如果不是则有问题。

常见的学习率范围：

Hyperparameter Optimization超参数优化

交叉验证策略

这里还有个tip

参数调整范围

这里就没有ng讲得细，贴个潦草的笔记。