李宏毅《机器学习》| 神经网络训练不起来怎么办(下)

最新推荐文章于 2024-11-02 13:03:38 发布

哒卜琉歪歪

最新推荐文章于 2024-11-02 13:03:38 发布

阅读量756

点赞数

文章标签：神经网络机器学习深度学习分类算法

本文链接：https://blog.csdn.net/qq_40857571/article/details/122591889

版权

三、自动调整学习速率(Learning Rate)

1.loss无法再下降时，gradient真的很小吗？

2.特制化learning rate

Root Mean Square

RMSProp

Adam：RMSProp+Momentum

3.Learning Rate Scheduling

1.Classification as Regression？

Class as one-hot vector

Classification with softmax

2.Loss of Classification

Mean Square Error

Cross-entropy

五、批次标准化(Batch Normalization)简介

Changing Landscape

feature normalization

Considering Deep Learning

Batch Normalization

接上篇李宏毅《机器学习》| 神经网络训练不起来怎么办(上)。

三、自动调整学习速率(Learning Rate)

1.loss无法再下降时，gradient真的很小吗？

在训练一个network时，我们往往会把它的loss记录下来，随着参数update的次数增加loss通常会减小，最后就卡住了。多数时候可能会认为是因为走到了critical point，gradient=0，无法更新参数。但当loss无法再下降时，gradient真的很小吗？

比如当训练终止时，loss几乎已经不动，但gradient却在反复振荡。可能是现在的gradient在error surface山谷的两个谷壁间反复振荡，这时loss不会再下降，但gradient却不是最小的（步幅太大，没法掉下去）。

如果gradient descend所有的参数都设了同样的learning rate，那么当步幅过大时，无法得到较小的loss；反之，无法逼近local minima。当遇到更复杂的error surface，training一个deep network时，gradient descend或许是唯一可以依赖的工具。

2.特制化learning rate

我们需要gradient descend更好的版本——learning rate，特制化每一个参数。

一个大的原则是：如果某一方向上gradient值很小，即较为平坦，则希望learning rate大一点；反之，如果某一方向上坡度很大，可以让learning rate大一点。

Root Mean Square

修改学习率的具体操作：

这也被用在adagrad中。坡度缓的时候，gradient较小，而σ是gradient的平方和取平均再开根号。所以若gradient小则算出的σ就小，learning rate就大（蓝色曲线）。反之，坡度陡峭时，gradient较大，σ就比较大，learning rate就较小（绿色曲线）。

RMSProp

但就算是同一参数，所需的learning rate也会随时间而改变，所以希望learning rate可以动态调整。

RMS Prop的方法是新增一个α，这是一个需要自己调整的hyper parameter 。

以第二步 $\theta_{i}^{2}\leftarrow \theta_{i}^{1}-\frac{\eta}{\sigma_{i}^{1}}g_{i}^{1}$ 为例：若α趋于0，代表 $g_{i}^{1}$ 相较于之前算出的gradient较重要；反之，如果α趋于1 ，代表现在算出的 $g_{i}^{1}$ 不太重要，之前算出的gradient较重要。 α决定了 $g_{i}^{1}$ 在整个 $\sigma_{i}^{1}$ 里面占多大的影响力，用RMSProp就可以动态调整σ这一项。

如当滚到下坡时（第三个点）gradient 变大，如用RMSProp使α设小一点，即让刚看到的gradient影响较大的话，就可以很快使σ值变大，也就可以很快让步伐变小（踩一个刹车，避免飞出去）。

Adam：RMSProp+Momentum

目前最常用的optimization的策略是Adam：RMSProp + Momentum

例如，一开始的那个简单的error surface无法train起来，加上 Adaptive Learning Rate 以后：

如右下角所示，最开始的方法只能走到刚刚拐弯的地方，加上Adam后逐渐可以走到终点。因为左右方向上的gradient很小，所以左右方向的learning rate会自动变大，不断前进。至于为什么走到一个地方突然爆炸，是由于 $\sigma_{i}^{t}$ 是将所有的gradient累计，初始的地方很大，后来纵轴方向上的gradient都很小，累计了很多这样很小的gradient，当累计到一定程度后，step就变得很大，暴走喷出去；随后走到了gradient较大的地方，σ又慢慢变大，于是参数update的距离慢慢变小（左右振荡力度变小），又回到中间峡谷，所以喷出去后有办法修正回来。

3.Learning Rate Scheduling

解决的暴走的方法：Learning Rate Scheduling，即令learning rate与时间有关，随着时间增加令η越来越小，因为越更新离终点越近。

Learning Rate Decay

在刚刚的例子中如果使用该方法，在将要暴走的时候由于时间限制learning rate会慢慢变小，知道走到终点。

Warm Up

learning rate要先变大后变小

那么为什么要用warm up呢？一个可能的解释是，在 $\theta_{i}^{t+1}\leftarrow \theta_{i}^{t}-\frac{\eta^{t}}{\sigma_{i}^{t}}g_{i}^{t}$ 中σ是一个统计的结果，传达某一个方向到底有多陡峭或者平滑的信息，但这需要足够多的数据统计结果才会精准。一开始σ并不精准，所以最开始不要使learning rate距离初始值太远，令learning rate小一点，探索、搜集有关error surface的信息；等σ统计得较为精准后，再慢慢增大learning rate（具体可见RAdam）。

4.Optimization的完整版本

momentum有考虑gradient的方向，root mean square考虑gradient的大小，所以两者并不会抵消。

接下来探讨的方向是：路不好走，就直接将山炸平，即能否通过修改Neural Network使得error surface变得相对平整，相对便于train。

四、分类(Classification)

1.Classification as Regression？

Regression就是输入一个向量，输出一个数值，我们希望输出的数值跟某个label（目标）越接近越好。其实可以把Classification当作Regression来看：输出仍然是scaler y，要让y跟正确答案的Class越接近越好，但y是一个数字，所以必须把Class也变成数字。假设Class1就是编号1...，那y跟Class的编号越接近越好。

我认为这个方法只适合定序数据，即数字可以表示个体在有序状态中所处的位置，比如此时的假设意味着Class1跟Class2比较像，跟Class3比较不像；但不适合定类数据，即数字仅用于区分类别，没有序次关系。

Class as one-hot vector

比较常见的做法是把Class用one-hot vector来表示，此时两两Class之间的距离都是一样的。如果目标 $\hat{y}$ 是一个向量，如 $\hat{y}$ 是有3个element的向量，那network输出的维度也要是3个数字。目前为止所讲的network都只output一个数值（因为过去做的都是regression的问题，所以只output一个数字），那怎么改到三个数值呢？就是把本来output一个数值的方法重复三次：

把 $a_{1},a_{2},a_{3}$ 乘上3个不同的weight加上bias，得到 $y_{1}$ ，再把 $a_{1},a_{2},a_{3}$ 乘上另外3个weight加上另外一个bias得到 $y_{2}$ ，再把 $a_{1},a_{2},a_{3}$ 再乘上另外一组Weight再加上另外一个bias得到 $y_{3}$ ，就可以产生3组数字。此时input一个feature的vector，就产生 $y_{1}$ ， $y_{2}$ 和 $y_{3}$ ，希望 $y_{1}$ ， $y_{2}$ 和 $y_{3}$ 离目标越接近越好。

Classification with softmax

做classification时，往往会把y再通过一个叫做激活函数（softmax）的function得到y'，然后计算y'跟 $\hat{y}$ 间的距离。为什么要加上softmax呢？（关于softmax函数可以参考之前的笔记：激活函数）

一个比较简单的解释是，这个one-hot vector $\hat{y}$ 里的值都是0，1，但y里面有任何值。既然目标只有0和1，就先把y给normalize到0到1间，这样才好跟label计算相似度。

上图是soft-max的block，输入 $y_1,y_2,y_3$ 会产生 $y_{1}^{'},y_{2}^{'},y_{3}^{'}$ 。先把所有的y取一个exponential，就算是负数，取exponential后也变成正的；然后再对它做normalize，除掉所有y的exponential值的和，然得到y'。具体做法： $y_1,y_2,y_3$ 分别取exponential后把它全部加起来，得到一个summation，再把exp $y_{1}^{'}$ 除summation，exp $y_{2}^{'}$ 除掉summation，exp $y_{3}^{'}$ 除掉summation，就得到 $y_{1}^{'},y_{2}^{'},y_{3}^{'}$ ，且都介于0到1之间， $y_{1}^{'},y_{2}^{'},y_{3}^{'}$ 的和是1。除此之外，softmax还有一个附带的效果：会让大的值跟小的值的差距更大。

如果是两个class会是怎么样？既可以直接套用softmax这个function，但更常用的是sigmoid（这两件事情是等价的）。

2.Loss of Classification

Mean Square Error

把x丢到network里产生y后，会通过softmax得到y'，再计算y'跟 $\hat{y}$ 间的距离，记作е。计算y'跟 $\hat{y}$ 间的距离不只一种做法。可以是Mean Square Error：计算 $\hat{y}$ 里每一个element的平方和，当作error，即计算两个向量间的距离。当minimize MSE时，让 $\hat{y}$ 等于y'。

Cross-entropy

一个更常用的做法是cross-entropy： $e=-\sum_{i}\hat{y_{i}}lny_{i}^{'}$ ，当 $\hat{y}$ 跟y'相等时，也可以minimize cross-entropy的值，此时MSE会是最小的，cross-entropy也会是最小的。

Minimize Cross-entropy其实就是maximize likelihood（极大似然），它们两个就是一模一样的东西，只是同一件事不同的讲法而已。cross-entropy更常用在分类里，在pytorch里，cross-entropy和softmax是被绑在一起的，是一个set，只要copy cross-entropy，里面就自动内建了softmax。

接下来从optimization的角度说明相较于MSE，Cross-entropy更常被用于分类。

现在做3个class的分类：Network先输出 $y_1,y_2,y_3$ ，在通过softmax后产生 $y_{1}^{'},y_{2}^{'},y_{3}^{'}$ 。假设正确答案就是[1 0 0]，计算向量[1 0 0]跟 $y_{1}^{'},y_{2}^{'},y_{3}^{'}$ 间的距离，用е来表示（可以是MSE，也可以是Cross-entropy）。假设 $y_1,y_2,y_3$ 的变化分别是-10-10，-10-10，-1000。由于 $y_3$ 设得很小，所以经过softmax后 $y_{3}^{'}$ 就非常趋近于0，跟正确答案非常接近，且对我们的结果影响很少。总之 $y_3$ 设一个定值，只看 $y_2$ 跟 $y_3$ 有变化的时候，对e、对loss有什么样的影响。

如果e分别设定为MSE跟Cross-entropy，算出来的Error surface会有什么不一样呢？

上图分别在e是MSE跟Cross-entropy时， $y_1,y_2$ 的变化对loss对error surface的影响（红色代表loss大，蓝色代表loss小）。如果 $y_1$ 很大， $y_2$ 很小，就代表 $y_{1}^{'}$ 会很接近1， $y_{2}^{'}$ 会很接近0，所以不管是对MSE或是Cross-entropy， $y_1$ 大 $y_2$ 小时loss都是小的。反之，如果 $y_1$ 很小， $y_2$ 很大的话， $y_{1}^{'}$ 会很接近0， $y_{2}^{'}$ 会很接近1，此时loss会比较大。所以这两个图都是左上角loss大，右下角loss小，我们希望最后在training的时候，参数可以走到右下角。

假设选择Cross-Entropy，左上角这个地方是有斜率的，所以有办法透过gradient一路往右下走。如果选MSE的话就卡住了，MSE在loss很大的地方是非常平坦的，如果初始在这个地方，离目标非常远，且gradient又很小（趋近于0），就无法用gradient descent顺利走到右下角。如果做classification选MSE，有非常大的可能性会train不起来，当然这是在没有好的optimizer的情况下；如果用Adam，这个地方gradient很小，那learning rate会自动调大，也许还有机会走到右下角，不过这会让training比较困难，training的起步比较慢。所以就算是loss function的定义，都可能影响training是不是容易，可以通过修改loss function改变optimization的难度。

五、批次标准化(Batch Normalization)简介

Changing Landscape

如果error surface很崎岖，它比较难train，batch normalization就是其中一个把山铲平的想法。不要小看optimization这个问题，有时error surface是confessed的（比如碗状）都不见得很好train。

假设两个参数对loss的斜率差别非常大，在 $\omega_1$ 方向上斜率变化很小， $\omega_2$ 上变化很大，如果learning rate是固定的，可能很难得到好的结果，所以需要adaptive的learning rate ，较进阶的optimization的方法才能够得到好的结果。

可以从另一个方向想，直接把难做的error surface改掉。假设有一个非常简单的linear model没有activation function，输入是 $x_1,x_2$ ，对应的参数是 $\omega_1,\omega_2$ ，什么样的状况会产生上面这种比较不好train的error surface呢？

如果 $\omega_1$ 或 $\omega_2$ 有改变，y就有改变，e随着也有改变，进而loss也有改变。当input很小时，假设 $x_1$ 的值都很小， $\omega_1$ 有变化的时候，它对y的影响也是小的，进而loss变化也是小的。

反之，当input很大时，假设 $x_2$ 的值都很大， $\omega_2$ 有变化时，它对y的影响也是大的，进而loss变化也是大的。

当input的feature每一个dimension的值它的scale差距很大时，就可能产生像这样的error surface。

feature normalization

如果可以给不同的dimension同样的数值范围，那可能就可以制造比较好的error surface，让training变得比较容易一点。有很多不同方法可以做到，将其统称为feature normalization。其中一个方法是：

假设 $x^1$ 到 $x^R$ 是所有训练资料的feature vector，把同一个dimension不同笔资料中的数值取出来，计算某个dimension的mean，记作 $m_i$ ；第i个dimension的standard deviation记作 $\sigma_i$ 。接下来就可以做标准化normalization得到新的数值 $\tilde{x_{i}^{r}}\leftarrow \frac{x_{i}^{r}-m_{i}}{\sigma_{i}}$ ，做完normalization的dimension的数值平均是0 ，variances是1。

当所有的dimension都做一样的normalization后，所有feature不同的dimension的数值都在0上下，那可能就会制造一个比较好的error surface。所以像这样的normalization往往对training有帮助，可以在做gradient descent的时使得loss收敛更快。

Considering Deep Learning

当然deep learning可以做feature normalization，可能会把feature做normalization以后得到 $\tilde{x}$ ，把它丢到deep network里面去做接下来的计算。但进一步地，对 $\omega_2$ 来说， $a^1,a^2,a^3$ 其实也是另外一种input，虽然 $\tilde{x}$ 已经做过normalization，但通过 $\omega_1$ 后没有做normalization。

如果 $z^1$ 不同dimension间的数值分布仍然有很大差异的话，要train $\omega_2$ 第二层的参数会不会也有困难呢？所以也应该对a或z进行normalization（对 $\omega_2$ 来说a或z其实也是一种feature）。那应该在activation function之前做normalization还是之后呢？

在实际操作上这两件事情其实差异不大，如果选sigmoid，比较推荐对z做feature normalization（因为sigmoid在0附近斜率比较大，所以如果对z做feature normalization，把所有的值都挪到0附近，算出来的gradient值会比较大）。

对z做feature normalization：把z想成是另一种feature，分别计算三个vector里每一个dimension的μ和σ，然后把z标准化。

当 $z^1$ 改变的时候μ和σ也会随着改变，右侧 $z^1,z^2,z^3$ 的值也会跟着改变，之前 $\tilde{x}^1,\tilde{x}^2,\tilde{x}^3$ 是独立分开处理的，但在做feature normalization后，这三个example变得彼此关联了，所以做feature normalization时要把这一整个process，即收集feature算出μ和σ这件事情当做network的一部分。

也就是说之前的network都只是吃一个input得到一个output，现在这个大的network是吃一堆 input，用这堆input在这个network里算出μ和σ然后接下来产生一堆output。

Batch Normalization

随之而来的问题是：训练资料里的data非常多，没有办法一次把上百万的数据丢到一个network里面。在实际操作中，不应该让这个network考虑整个training data里所有的example，只会考虑一个batch里的example。因为在实际操作中只对一个batch里的data做normalization，即batch normalization。注：Batch Normalization适用于batch size比较大的时候。

在做Batch Normalization时候，往往还会有下面的操作：

实操中，γ初始值是一个都是1的向量，β初始值是一个都是0的向量。network在一开始训练时，每个dimension的分布是较接近的，也许训练够长的一段时间，已经找到一个较好的error surface，走到一个好的地方后，再把γ和β慢慢加进去。

接下来是testing部分，有时又叫inference。Batch Normalization在testing中遇到一些问题：假设真的有系统上线，batch设64，一定要等64笔资料都进来才做一次运算吗？这显然是不行的，如果是线上服务，每笔资料进来都有做一次运算，不能等累积了一个batch的资料才开始做运算。那如果根本就没有一个batch，应该怎么算μ和σ？